自增长混合神经网络及其在燃料电池建模中的应用

为了提高非线性辨识的精度, 提出了一种基于混合算子的自增长混合神经网络。该神经网络通过自增长的混合隐含层结构, 包括加算子和乘算子, 形成神经元个数少、结果精确、增长快速的网络。论文在级联神经网络的结构基础上, 提出GQPSOI算法来引导神经网络的结构自增长以及权值更新。通过对燃料电池的建模与比较分析, 证明了方法的有效性和良好的应用前景。     

生活污水与工业污水混合处理工艺技术应用

对工业企业的生活污水与工业污水混合处理的工艺技术设计了典型的工艺流程,提出了相关主要工艺参数,并进行了工业化生产应用研究试验,应用研究结果表明,对已经建有用活性污泥法处理工业污水设施的企业,可采用生活废水与工业废水混合处理的技术,同时实现生活污水和工业废水的达标排放,且投资少,运行费用低廉。     

污水毒性检测技术的研究进展

文章主要介绍目前用于污水毒性检测的几种技术方法,通过分析各检测方法的优缺点,了解其各自目前的发展现状,最后提出改进建议与未来技术的发展趋势,为提高污水处理能力提供有利的技术支持。     

CMPSO算法在参数辨识中的应用

通过对系统数学模型的分析,将系统参数辨识问题转化为优化问题,然后利用改进粒子群优化算法实现系统参数辨识.提出的混沌变异粒子群(CMPSO)搜索算法提高了搜索效率并增强了摆脱陷入局部最优的能力.     

混合粒子群优化算法及其应用

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法。针对流程工业典型设备的状态跟踪预报等有计算时间限制的优化问题,混合粒子群优化算法在不改变原有粒子群粒子寻优策略的前提下,将粒子群整体已搜寻到的全局最优位置看作一个特殊的粒子,令该粒子执行梯度下降寻优的寻优策略。在粒子群的寻优迭代计算中增加全局最优位置粒子单独的梯度下降寻优过程,从而将粒子群优化算法的全局寻优特性与梯度下降算法的邻域寻优特性相结合,以提高粒子群优化算法的整体寻优效率,进而缩短寻优计算的时间。针对流程工业典型设备的实际应用表明,混合粒子群优化算法能够减少寻优迭代次数,进而缩短优化计算时间。     

污水毒性的生物测试方法

从毒性测试的受试生物出发，根据不同生物对水中毒性的不同反应症状，把污水毒性的生物测定方法分为利用细菌和利用水生动植物进行测试的两类方法，比较了各种方法的灵敏性、准确性、可靠性以及适用性，重点综述了发光菌、呼吸速率及斑马鱼和大型蚤的急、慢性毒性实验方法的应用，并对现存问题给出了分析和建议。     

炼化混合污水集中处理工业实践

本文介绍了混合污水的集中处理工艺,总结运行情况,分析污水集中处理过程中的有利与有待加强的方面,指出混合污水的集中处理有利于提高污水处理功效,促进中小企业的持续、稳定发展。     

基于PSO-BP的藻类膜系统处理己内酰胺模拟污水水质预测

通过对藻类膜系统处理的465组己内酰胺模拟废水进行测定,探讨进水水质、生物指标、操作指标与出水水质的相关关系及影响规律;以系统各参数为输入信号、出水水质为输出信号,利用粒子群(PSO)算法优化反向传播(BP)神经网络,建立了PSO-BP藻类膜系统水质预测模型,并与其他预测模型对比分析。结果表明：藻类膜系统对高浓度含氮有机废水处理效果显著,当水力停留时间设为5 d时,系统出水平均总氮含量、总磷含量和化学需氧量分别为6.68 mg/L、0.11 mg/L和23.86 mg/L; PSO-BP水质预测模型预测结果判定系数为0.93～0.95,为藻类膜系统在污水处理过程中水质的高效调控提供了科学参考。     

混合多目标骨干粒子群优化算法在污水处理过程优化控制中的应用

通过对污水生化处理过程的分析,选取能耗和罚款最低为优化目标,建立污水生化处理过程多目标优化控制模型。为了提高Pareto最优解集的收敛性和多样性,提出一种基于Pareto支配和分解的混合多目标骨干粒子群优化算法（HBBMOPSO）。该方法采用带自适应惩罚因子的分解方法选取个体引导者,采用Pareto支配和拥挤距离法维护外部档案和选取全局引导者。此外,采用精英学习策略增强粒子跳出局部Pareto前沿的能力。最后,将HBBMOPSO与自组织模糊神经网络预测模型和自组织控制器相结合,实现污水生化处理过程溶解氧和硝态氮设定值的动态寻优、智能决策和底层跟踪控制。利用国际基准仿真平台BSM1进行实验验证,结果表明所提HBBMOPSO方法在保证出水水质参数达标的前提下,能够有效降低污水处理过程的能耗。     

基于EBF神经网络和粒子群算法的注射成型优化设计

基于拉丁超立方设计建立了椭球基（EBF）神经网络模型描述注塑工艺参数与翘曲值间的函数关系,将EBF神经网络模型与Kriging模型对比,说明EBF神经网络模型可以准确地描述注塑工艺参数与翘曲值之间的函数关系,并结合多目标粒子群算法对工艺参数进行优化,并与邻域培植遗传算法优化结果对比,说明多目标粒子群算法的优点。结果表明,基于EBF神经网络模型和粒子群优化算法可以使塑料出水管翘曲值减小11.64 %,同时使保压时间和冷却时间总和减小了2.13 s,从而在出水管批量生产过程中减少了生产时间。     

基于对角递归神经网络的小区用电负荷预测研究

为了提高小区用电负荷预测的准确度,在研究对角递归神经网络的基础上,分析比较几种优化算法,提出基于粒子群算法的对角递归神经网络预测方法。通过对小区用电负荷影响因素的分析以及对大量历史数据进行训练,最后经Matlab仿真分析,结果表明:该方法预测的准确度较高。     

用BP神经网络模型预测纳米二氧化钛光催化降解硝基甲苯类废水

基于光催化降解硝基甲苯类废水的实验数据,采用反向传播(BP)神经网络训练并建立了硝基甲苯类废水处理过程的神经网络模型.用训练好的神经网络模型模拟光催化降解硝基甲苯废水过程,模型硝基甲苯浓度的模拟输出与实验数据的相关度为0.998.用神经网络模型对此光催化降解硝基甲苯废水过程进行预测,得到硝基甲苯浓度的预测数据与实验数据...     

神经网络和混沌优化在柠檬酸蒸发过程中的应用

针对柠檬酸双效蒸发器这个关联耦合严重、环境干扰不确定、非线性、时滞对象，采用软测量技术建立其完成液浓度的神经元网络模型，在此基础上运用混沌优化方法进行稳态优化控制研究。并给出在线优化控制的建议。     

人工神经网络在污水处理中的应用

文章对污水处理系统的特点进行了分析,并针对时变性、非线性、复杂性和不确定性的特点,提出应用人工智能技术对其进行智能控制是实现城市污水处理系统自动控制的重要方法。对人工神经网络控制特点进行了介绍,综述了国内外人工神经网络在污水处理不同领域中的应用研究,并结合国内外研究动态,简要分析了人工神经网络污水处理今后的发展方向。     

粒子群优化神经网络的电镀金刚石套钻使用寿命预测

电镀金刚石套钻广泛应用各种加工领域,而套钻使用寿命受到多种因素影响,具有一定的非线性变化特点,为了准确预测电镀金刚石套钻的使用寿命,提出了基于粒子群优化神经网络的电镀金刚石套钻使用寿命预测模型。对电镀金刚石套钻使用寿命预测现状进行分析,针对BP神经网络参数优化问题,采用粒子群优化算法确定最优参数,建立电镀金刚石套钻使用寿命的预测模型,通过仿真实验对其有效性和优越性进行分析。实验结果表明,模型可以准确刻画影响参数与电镀金刚石使用寿命之间的变化关系,获得比对比模型更高的预测精度,实际应用价值更高。     

微粒群神经网络在常压塔汽油干点软测量建模中的应用

首先将微粒群优化算法用于神经网络连接权值和阈值的训练,构造微粒群神经网络,然后将微粒群神经网络用于常压塔汽油干点软测量建模。通过与实际值的对比,结果表明基于微粒群神经网络的软测量模型具有良好的性能和极好的应用前景。     

基于神经网络混合整数线性规划的精馏分离序列优化综合

针对精馏分离序列综合问题,运用图论方法研究网状超级结构。结合相对费用函数建立了混合整数线性规划模型。开发了面向大规模精馏分离序列综合问题的自动求解程序,实现了10组分精馏分离序列综合问题的成功解算,探索了神经网络混合整数线性规划的思想框架。     

基于Tent混沌优化的神经网络预测控制

With the unique ergodicity, irregularity, and special ability to avoid being trapped in local optima, chaos optimization has been a novel global optimization technique and has attracted considerable attention for application in various fields, such as nonlinear programming problems. In this article, a novel neural network nonlinear predictive control (NNPC) strategy based on the new Tent-map chaos optimization algorithm (TCOA) is presented. The feedforward neural network is used as the multi-step predictive model. In addition, the TCOA is applied to perform the nonlinear rolling optimization to enhance the convergence and accuracy in the NNPC. Simulation on a laboratory-scale liquid-level system is given to illustrate the effectiveness of the proposed method.     

基于Tent混沌优化的神经网络预测控制

With the unique erggdicity, i rregularity, and.special ability to avoid being trapped in local optima, chaos optimization has been a novel global optimization technique and has attracted considerable attention for application in various fields, such as nonlinear programming problems. In this article, a novel neural network nonlinear predic-tive control （NNPC） strategy baseed on the new Tent-map chaos optimization algorithm （TCOA） is presented. Thefeedforward neural network＇is used as the multi-step predictive model. In addition, the TCOA is applied to perform the nonlinear rolling optimization to enhance the convergence and accuracy in the NNPC. Simulation on a labora-tory-scale liquid-level system is given to illustrate the effectiveness of the proposed method.