一种新型混沌PSO算法在板形智能控制中的应用简

提出一种新型混沌PSO算法优化RBF神经网络并对板形进行识别,使用神经网络预测和效应矩阵控制器对板形进行预测控制.仿真过程表明,新型混沌PSO算法对优化神经网络的结构和参数都有明显的效果,使用板形识别模型和带预测过程的效应函数可以有效控制板形系统.     

正则化学习算法在软测量建模中的应用

软测量技术的核心是建立软测量模型。基于过程可测信息集建立软测量模型即逼近建模过程是不适定的。以径向基函数神经网络作为软测量模型,在软测量建模中引入正则化学习算法。以广义交叉验证作为正则化参数估计方法,讨论了径向基函数神经网络软测量逼近建模的全局与局部正则化学习算法,给出的实例说明了其有效性。     

基于并行核径向基神经网络的软测量与控制模型

转炉提钒过程中存在大量多元非线性因素,难以从统计学和机理上建立各操作参数与生产目标的优化控制模型,为优化转炉的操作参数,建立了基于径向基神经网络的半钢钒含量软测量和控制模型.径向基神经网络常用于非线性回归预测和控制,但是高维的核函数矩阵运算需要花费巨大计算资源.为了缩短计算时间,本文设计了并行算法用于计算径向基网络核函数矩阵,并将它用于转炉提钒软测量和控制模型,在以MPI构建的工作站机群上执行该算法,利用实际数据验证了该算法的加速性和准确性.     

一种新型混沌PSO算法在板形智能控制中的应用

提出一种新型混沌PSO算法优化RBF神经网络并对板形进行识别,使用神经网络预测和效应矩阵控制器对板形进行预测控制。仿真过程表明,新型混沌PSO算法对优化神经网络的结构和参数都有明显的效果,使用板形识别模型和带预测过程的效应函数可以有效控制板形系统。     

基于聚类的超闭球CMAC混煤燃烧污染物析出软测量模型

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,基于模糊聚类提出一种改进的超闭球CMAC神经网络算法,用于电站锅炉混煤燃烧污染物析出软测量模型的建立.以电站锅炉实际运行工况的煤质特性数据和炉内燃烧条件为输入参数,通过软测量实现大型电站锅炉混煤燃烧硫、氮污染物生成浓度的精确预估和在线测量,用于指导电厂运行人员进行锅炉燃烧调整,以控制污染物的超标排放.与超闭球CMAC算法比较,提出的改进算法可以大大降低高维神经网络节点数并提高神经网络软测量精度,实验结果表明该方法的有效性和可行性.     

基于CPSO的混合核LSSVM生物发酵软测量建模

针对赖氨酸发酵过程非线性、强耦合及关键参数难以在线实时测量等问题,将混合核函数概念引入最小二乘支持向量机中,提出了一种基于混合核LSSVM的软测量建模方法。该方法采用混合核函数代替传统的RBF核作为支持向量机的核函数建立模型,并利用全局搜索能力较强的混沌粒子群优化（CPSO）算法对模型参数进行了寻优处理。仿真结果表明,该方法建立的软测量模型可以实现对发酵过程中的菌体浓度C、基质浓度S及产物浓度P等参量的在线实时预测,在改善了模型全局性的同时也提高了预测精度。     

粒子群优化算法训练模糊神经网络

研究合适的神经网络学习算法是令人感兴趣的问题.提出一种用粒子群优化(PSO)算法训练模糊神经网络的方法.PSO的位置向量对应模糊神经网络的权值向量,而PSO的适应函数对应模糊神经网络的目标函数,然后,通过演化PSO达到训练模糊神经网络的目的.用PSO算法训练模糊神经网络预测混沌时间序列的实验结果表明PSO算法性能优良,适合训练模糊神经网络.     

径向基函数神经网络的全监督算法

径向基函数神经网络的学习过程一般分为两个阶段非监督学习和监督学习阶段,分别调整网络的中心和权值.这里将网络的总体误差作为目标函数,以待求的所有参数作为变量,同时调整,构成全监督算法.为了提高收敛速度,采用共轭梯度法作为参数优化方法.通过混沌时间序列预测仿真证明,该算法具有良好的性能.     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于SVM的微生物发酵过程软测量建模研究

微生物发酵过程中支持向量机(SVM)软测量模型的预测精度主要取决于SVM参数和输入变量优化选择.提出了一种新的SVM参数选择与输入变量选取方法,将SVM参数的选择和输入变量的选取看作组合优化问题,构造了基于赤池信息准则(AIC)的组合优化目标函数.为提高优化效率,采用遗传模拟退火算法(GSAA)来搜索最优的目标函数值.通过与网格算法、遗传算法等方法对比仿真研究表明,所提SVM微生物发酵过程软测量建模方法在微生物发酵过程的软测量建模中具有优良的性能.     

一种航空发动机性能衰退预测的优化算法

针对航空发动机性能衰退预测问题,采用基于过程神经网络的优化算法来对发动机的燃气温度裕度(EGTM)进行预测。为克服过程神经网络学习速度慢的缺点,提出一种基于Tent映射的混沌粒子群优化算法对网络进行训练,建立预测模型。采用某航空公司的EGTM监测数据进行验证,分析结果表明,基于Tent映射的混沌粒子群优化算法具有较高的收敛速度和预测精度,可为航空发动机视情维修决策提供支持。     

基于混沌粒子群优化的神经网络在旋转机械故障诊断中的应用

基于混沌粒子群优化算法提出一种根据群体早熟收敛程度和个体适应值来调整惯性权重的自适应混沌粒子群优化算法,算法兼顾全局寻优和局部寻优,能够有效地避免早熟收敛.使用自适应混沌粒子群优化算法训练神经网络并建立旋转机械故障诊断模型,实验结果表明,与粒子群优化算法、遗传算法训练神经网络相比,基于自适应混沌粒子群优化算法的神经网络能够有效改善神经网络的训练效率,提高故障模式识别的准确率.     

基于混沌优化的有约束广义预测控制器

针对传统优化算法解决约束广义预测控制的优化问题时存在计算量大、不能找到全局最优解等缺点,该文尝试用混沌优化算法来解决此类问题.提出一种用混沌优化算法作为滚动优化策略的有约束广义预测控制算法(COGPC).该算法可以有效地处理约束并找到全局最优解,是一种新的"软约束"方法.最后通过仿真验证了该方法的有效性.     

基于多智能体的分销链预测优化模型研究

为提高分销链中多层预测的准确性,优化订货和库存,提出基于多智能体的预测模型.建立了具有约束条件的目标函数,并将惩罚函数引入遗传算法进行求解,使得分销链整体成本最小化.模拟四层分销链中各公司的预测订货量和订货成本,分析了单位成本参数对它们的影响.最后,比较了多智能体预测模型和传统预测方法.仿真结果表明,分销链中各公司的预测订货量与市场需求量趋于一致,在一定程度上改善了分销链中订货信息的多级放大现象(牛鞭效应);同时分销链的订货成本波动较小,证明多智能体预测模型优于传统的预测方法.     

基于正则化 AdaBound 的区间二型模糊 神经网络软测量建模

针对复杂化工过程中存在强非线性、多变量耦合、参数时变及大时滞等因素,导致监测变量软测量精度不高的问题,提 出了一种基于正则化 AdaBound 的区间二型模糊神经网络(RAIT2FNN) 软测量建模方法。 首先为了解决区间二型神经网络 (IT2FNN)结构难以确定的问题,提出了一种采用激励强度和相似度定义增长和删减指标的自组织产生规则的算法。 该算法利 用激励强度的大小决定是否产生规则,并根据相似度进行规则的删减从而确定了区间二型模糊神经网络的结构。 其次,本文提 出正则化和 AdaBound 相结合的算法对 RAIT2FNN 模型相关参数进行修正,使得不同参数具有有界的自适应学习速率。 最后将 RAIT2FNN 作为软测量模型应用于环己烷无催化氧化过程尾氧浓度预测问题中。 实验结果为测试时间为 0. 008 2,训练 RMSE 为 0. 018 2,测试 RMSE 为 0. 009 6,表明 RAIT2FNN 作为软测量模型具有预测及时且预测精度较高的优点。     

基于改进BP神经网络的纸浆漂白MIMO软测量模型研究

针对漂白过程中纸浆白度、残氯在线测量的不足,提出基于BP改进算法的神经网络软测量模型。文章介绍了基于神经网络的软测量技术原理以及漂白软测量模型建立的步骤与方法,给出了该模型的仿真结果。仿真结果表明,该模型具有较高精度和准确性,为纸浆质量的评判和优化控制提供了指导作用。     

基于 IGA-BP 神经网络的智能电能计量 设备退化趋势研究

电能计量设备可靠运行与否影响着电网边缘测量与电量计量准确性,为此本文提出一种基于参数优化 BP 神经网络的 设备退化趋势分析方法。 结合国网新疆高干热试验基地,及其智能电能计量设备实时运行基本误差数据,利用 Spearman 相关 性分析方法,提取影响智能电能计量设备基本误差值的主要环境应力;采用函数拟合插值(FFI)方法消除原始数据中缺失值对 退化分析的影响,建立基于 BP 神经网络的智能电能计量设备退化研究模型;最后,引入改进遗传算法( IGA)优化 BP 神经网络 参数,实现智能电能计量设备退化趋势的向后预测与更新。 选取基地中不同型号的若干个智能电能计量设备进行多项实验,结 果表明本文模型具有较高的预测能力,预测结果的平均均方根误差为 0. 012 3,预测准确度最高可达 90. 2% 。     

混合蛙跳脊波神经网络观测器电机故障诊断研究

针对牵引电机非线性、强耦合、时变的特点,提出一种基于混合蛙跳算法脊波神经网络观测器牵引电机故障诊断方法.该方法利用观测器生成残差,并通过对残差的分析实现故障检测与分离.首先将牵引电机模型分为线性函数部分和非线性函数部分,并利用脊波神经网络逼近这个非线性函数,然后在此基础上建立自适应观测器,并通过最优算法求出观测器反馈增益矩阵.为提高神经网络的收敛速度和逼近精度,利用混合蛙跳优化算法对神经网络参数进行优化.通过实验对混合蛙跳算法脊波神经网络观测器、RBF神经网络观测器以及BP神经网络观测器进行比较,结果表明,该方法的收敛速度较BP神经网络观测器提高了80.3％,故障诊断准确率提高41.5％.     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.