水处理过程的RBF和BP神经网络建模

针对水处理过程非线性、时变和大滞后的特点，本文采用RBF和BP神经网络分别建立了水处理过程模型，利用水厂实际运行数据对两个模型分别进行了训练和检验。与BP神经网络模型相比，RBF神经网络模型具有逼近能力强、收敛速度快等优点。该模型可以实现对水处理过程的在线辨识，并可进一步用于该过程的神经网络预测控制。     

青霉素发酵过程的模型辨识及仿真研究

研究青霉素发酵优化问题.青霉素发酵过程是一种复杂的生化反应系统,生物参数难获得,许多代谢途径尚不明确,传统方法无法建立精确数学模型.然而支持向量机不需要了解青霉素发酵系统的内部结构,具有智能性、自学习能力,可以解决复杂青霉素发酵建模问题.因此,以青霉素发酵过程生化机理模型产生的数据为样本,训练支持向量机,并采用粒子群算法对支持向量机参数优化,建立了支持向量机的发酵过程模型.仿真结果表明,支持向量机可以对青霉素发酵过程进行状态变量的估算与预测,为有效提高青霉素发酵预测精度,提供了实际有效的指导作用.     

复杂系统控制中的神经网络预测器研究

本文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于非线性复杂系统预测控制的神经网络预测模型方法,并将此方法用于实际非线性系统的预测控制.结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好地应用.     

一种基于RBF神经网络的预测器模型及其研究

非线性复杂系统的预测控制是一种高性能的控制方法,其关键在于非线性预测器模型的实现。论文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于神经网络的预测模型设计方法,并将此方法用于实际非线性系统的预测控制。结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好的应用。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发，提出了一种基于RBF神经网络学习算法，用于对非线性对象模型的拟合与辩识，并将此方法用于实际非线性模型的学习与辩识。结果表明，基于RBF的神经网络可快速完成对样本的学习与拟合，对具有连续特性的线性与非线性模型，具有快速实时的学习速度和优良的学习性能。     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

模糊粗集理论在污水参数软测量中的应用

出水水质的建模与预测是污水处理过程先进控制的基础,针对污水生化处理过程的非线性、大滞后等特点,提出一种基于模糊粗糙集和RBF神经网络的出水水质预测方法.先用模糊粗糙集理论约简属性消除冗余信息后,建立基于RBF神经网络软测量模型,并应用该模型对实际污水厂的出水氨氯预测进行仿真.结果表明了该软测量模型的可靠性和有效性.     

基于逆系统的青霉素发酵软测量

针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题,将逆系统方法与动态递归模糊神经网络(DRFNN)相结合,提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法.在证明了系统可逆的条件下,得到系统的逆模型;再应用DRFNN网络所具有的自学习,自适应能力以及对任意非线性的逼近能力,对该模型进行了...     

RBF神经网络在断路器故障诊断中的应用

针对RBF神经网络可在系统参数未知情况下自动建立动态模型,快速跟踪非线性函数,且有很好分类能力等特点,在分析高压断路器分闸线圈时间信号的基础上,提出了RBF神经网络对高压断路器进行故障分类的基本方法.与BP神经网络的诊断结果进行对比,RBF神经网络具有收敛速度快,输出误差和离散性小的优点,并借助仿真结果论证了该实验方法对高压断路器故障诊断的有效性.     

蚁群灰色神经网络模型在稻瘟病预测中的应用

水稻稻瘟病这种灰色系统具有复杂的非线性.综合利用蚁群灰色GM(1,1,θ)预测模型和RBF神经网络预测模型的特点,建立了蚁群灰色RBF神经网络组合预测模型.经过14年对水稻稻瘟病的预测分析,得出蚁群灰色神经网络模型的预测精度高达96.77％,验证了预测模型的有效性.     

基于LS-SVM逆模型的青霉素发酵软测量方法

针对青霉素发酵过程中的某些关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线测量的问题,提出一种基于最小二乘支持向量机(LS-SVM)逆模型的软测量方法。该方法用具有高斯核函数的LS-SVM,离线建立被测对象的静态非线性逆模型。由静态非线性逆模型外加若干表征非线性动态特征微分器,构成了非线性系统的逆系统,将此逆系统串联在原发酵系统之后,得到"线性化"的伪线性系统。仿真结果表明,该方法能够对青霉素发酵过程中不可在线测量的关键变量进行预测,且达到了较高的测量精度。     

引力搜索算法在青霉素发酵模型参数估计中的应用

针对生物发酵过程难以精确估计模型参数的问题,提出一种利用引力搜索算法(GSA)对青霉素发酵非构造式动力学模型参数进行估计的方法。在分析发酵过程反应机理的基础上,选取合适的青霉素发酵非构造式动力学模型的状态方程式;然后利用GSA良好的全局搜索能力,对状态方程式的参数进行估计,从而得到精确的发酵模型。仿真结果表明：GSA实现了对青霉素发酵过程模型参数的准确估计,所得到的模型精度能够满足青霉素发酵过程的状态估计和控制需求。因此,GSA可有效地应用于模型参数估计。     

Quality relevant nonlinear batch process performance monitoring using a kernel based multiway non-Gaussian latent subspace projection approach

Multiway kernel partial least squares method (MKPLS) has recently been developed for monitoring the operational performance of nonlinear batch or semi-batch processes. It has strong capability to handle batch trajectories and nonlinear process dynamics, which cannot be effectively dealt with by traditional multiway partial least squares (MPLS) technique. However, MKPLS method may not be effective in capturing significant non-Gaussian features of batch processes because only the second-order statistics instead of higher-order statistics are taken into account in the underlying model. On the other hand, multiway kernel independent component analysis (MKICA) has been proposed for nonlinear batch process monitoring and fault detection. Different from MKPLS, MKICA can extract not only nonlinear but also non-Gaussian features through maximizing the higher-order statistic of negentropy instead of second-order statistic of covariance within the high-dimensional kernel space. Nevertheless, MKICA based process monitoring approaches may not be well suited in many batch processes because only process measurement variables are utilized while quality variables are not considered in the multivariate models. In this paper, a novel multiway kernel based quality relevant non-Gaussian latent subspace projection (MKQNGLSP) approach is proposed in order to monitor the operational performance of batch processes with nonlinear and non-Gaussian dynamics by combining measurement and quality variables. First, both process measurement and quality variables are projected onto high-dimensional nonlinear kernel feature spaces, respectively. Then, the multidimensional latent directions within kernel feature subspaces corresponding to measurement and quality variables are concurrently searched for so that the maximized mutual information between the measurement and quality spaces is obtained. The I² and SPE monitoring indices within the extracted latent subspaces are further defined to capture batch process faults resulting in abnormal product quality. The proposed MKQNGLSP method is applied to a fed-batch penicillin fermentation process and the operational performance monitoring results demonstrate the superiority of the developed method as apposed to the MKPLS based process monitoring approach.     

基于栈式降噪自编码器的发酵过程回归建模

精确有效的发酵过程模型不仅能够定量揭示过程信息间的关联,实现对难以实时监测变量的预测,而且是进一步控制和优化的前提;基于数据驱动的发酵过程建模方法得到了广泛研究与应用,然而其仅考虑发酵过程的非线性特征和数据具有多采样率的特点,忽略了过程数据中测量噪声对模型的影响;为此,提出基于栈式降噪自编码器的发酵过程回归建模方法,该方法不仅具有较强的非线性拟合能力,半监督的学习策略也能够充分挖掘发酵过程中的所有数据信息,同时可以从含噪声的过程数据中提取出鲁棒性的特征,使模型具有噪声适应性;通过青霉素仿真对比实验结果表明,该模型的预测性能更好.     

输入不确定BELM在发酵过程软测量中的应用

为复杂的发酵过程建立软测量模型要求模型最好能够给出预测值的置信区间,以便技术人员对发酵过程的真实状况和模型的可靠性进行评估。贝叶斯极限学习机能够在实现预测的同时一并给出预测值的置信区间,因此将其用于发酵过程的软测量建模。然而,实际发酵过程中的输入数据往往带有噪声,贝叶斯极限学习机仅能处理输出含噪声的情况。针对这个问题,提出了输入不确定贝叶斯极限学习机。在原有的贝叶斯推理过程中引入输入不确定性,得到了综合考虑输入输出噪声的模型参数和预测置信区间。最后利用青霉素发酵过程进行仿真验证,建立了产物质量浓度的软测量模型,结果表明该方法预测精度高,得到的预测置信区间包含了所有真实值。     

基于支持向量机的发酵过程建模研究

发酵过程有众多关键性的变量难以在线检测,给过程优化策略的有效实施带来了障碍。最小二乘支持向量机（LS-SVM）是标准支持向量机（SVM）的一种扩展,LS-SVM算法精度高,速度快,适合于在线预估。将该算法用于青霉素发酵过程建模,用具有RBF核函数的LS-SVM建立菌体浓度、青霉素浓度的模型,并通过仿真实验与标准支持向量机进行比较。结果表明,最小二乘支持向量机是青霉素发酵过程建模与控制的一种有效的方法。     

基于粒子群和支持向量机为青霉素发酵建模

针对支持向量机发酵建模中,选择重要建模参数值的问题,提出利用全局搜索能力较强的粒子群优化算法,优化调整支持向量机建模过程中的重要参数,每一个粒子的位置向量对应一组支持向量机建模的参数。参数不断优化后,得到拟合预测效果较优的模型,预测青霉素发酵过程。仿真结果表明,该方法能使模型的预测效果较好。     

基于Marquardt和Runge-Kutta算法的发酵过程建模

利用简单的线性模型很难描述发酵这类复杂的非线性动态过程,因此需要利用非线性方法对该类过程进行建模。为此,提出了利用基于Marquardt算法的非线性回归方法和基于四阶Runge-Kutta算法的非线性微分方程求解方法对发酵过程进行建模分析;并进一步利用统计方法分析了该非线性回归方法的有效性。该方法应用于黄酒发酵过程中,实现了黄酒发酵过程模型的求解和模型参数的动态优化。