基于自组织模糊神经网络的污水处理过程溶解氧控制

针对活性污泥污水处理过程溶解氧浓度控制问题,提出一种基于自组织模糊神经网络（SOFNN）的控制方法。该神经网络控制器依据激活强度和互信息理论在线动态增长和修剪规则层神经元,以满足实际工况的动态变化。同时,采用梯度下降算法在线优化隶属函数层中心、宽度和输出权值,以保证SOFNN的收敛性。进一步通过Lyapunov稳定性理论对SOFNN学习率进行分析,给出控制系统稳定性证明。最后在国际基准仿真平台BSM1上进行实验验证。实验结果显示,与PID、模糊逻辑控制（FLC）和固定结构FNN等控制策略相比,SOFNN在跟踪精度、控制平稳性和自适应能力上更具有优势。     

基于区间二型模糊神经网络污水处理过程溶解氧浓度控制

针对城市污水处理过程溶解氧浓度难以精确控制的问题,提出了一种基于区间二型模糊神经网络(interval type-2 fuzzy neural networks,IT2FNN)的溶解氧浓度控制方法。先将IT2FNN应用在城市污水处理过程溶解氧浓度控制器的设计,获得了一种IT2FNN溶解氧浓度控制器。后采用自适应学习算法在线调整控制器的参数,提高了控制器的自适应能力。最后将提出的IT2FNN溶解氧浓度控制器应用于基准仿真2号模型(benchmark simulation model no.2,BSM2)平台,结果表明,IT2FNN控制器能够实现第5分区溶解氧浓度精确控制,具有较好的控制效果。     

基于区间二型模糊神经网络污水处理过程溶解氧浓度控制

针对城市污水处理过程溶解氧浓度难以精确控制的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的溶解氧浓度控制方法。先将IT2FNN应用在城市污水处理过程溶解氧浓度控制器的设计,获得了一种IT2FNN溶解氧浓度控制器。后采用自适应学习算法在线调整控制器的参数,提高了控制器的自适应能力。最后将提出的IT2FNN溶解氧浓度控制器应用于基准仿真2号模型（benchmark simulation model no.2,BSM2）平台,结果表明,IT2FNN控制器能够实现第5分区溶解氧浓度精确控制,具有较好的控制效果。     

污水处理过程的模糊神经网络控制

模糊神经网络(FNN)技术的迅速发展及其理论的不断完善为其在各个领域的应用奠定了基础。分析了FNN用于污水处理系统过程控制的可行性和必要性。简述了模糊系统和神经网络在污水处理中应用的现状。指出针对不同污水处理工艺建立不同综合(集成)智能控制系统是污水生物处理过程控制的主要研究方向,同时应加强对污水处理的活性污泥数学模型、通用性预测与故障分析系统、“软测量”技术及在线生物传感器等相关理论与技术的研究。     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

基于模糊神经网络PID控制的污水处理应用研究

针对活性污泥污水处理系统具有复杂的非线性和时变性,传统的控制方法存在着精度不高,自适应能力差等缺点,提出一种模糊神经网络PID控制方法,将模糊神经网络与PID相结合,既发挥了PID控制的优势,又增加了模糊神经网络自学习和处理定量数据的能力,并且其中采用了动态递归神经网络对污水处理系统进行模型辨识。该控制方法能够快速、有效地使曝气池中溶解氧浓度达到期望值,并且具有较好的控制效果与控制精度。仿真结果验证了该控制方法的有效性和正确性。     

城市污水处理系统溶解氧的控制

介绍城市污水处理厂污水处理工艺和控制系统，给出污水处理三级分布式集散控制系统和溶解氧的P-FUZZY-PI控制方案以及控制算法的实现。     

基于参数优化的自适应模糊神经网络控制在污水处理中的应用

针对活性污泥污水处理系统的机理模型具有复杂的非线性,传统的控制方法存在着精度不高,自适应能力差等缺点,提出一种优化的自适应模糊神经网络控制方法,分析了控制模型参数对系统的影响,并经过数据训练得到控制器各参数的寻优方法,获得系统的最优化参数。该控制方法能够快速、有效地使曝气池中溶解氧浓度达到期望值,并且具有较高的控制效果与控制精度。与传统控制方法相比,该控制方法更具有鲁棒性。仿真结果验证了该控制方法的有效性和正确性。     

基于混合评价指标的自组织模糊神经网络设计研究

针对在无增长和修剪阈值时模糊神经网络结构难以自适应问题,提出一种基于混合评价指标(hybrid evaluation index, HEI)的结构设计方法。首先,通过模糊C均值聚类算法(fuzzy C-means clustering, FCM)确定初始规则层神经元数目及其中心与宽度。其次,基于戴维森堡丁指数(Davies bouldin index, DBI)和邓恩指数(Dunn index, DI)提出一种新的相关性评价指标(relevance evaluation index, REI)来计算规则层各神经元输出之间的相关性,同时根据训练过程中网络输出均方根误差(root mean square error, RMSE)的变化情况来确定网络的学习能力,然后基于REI和RMSE提出了HEI。通过HEI来调整模糊神经网络的拓扑结构,有效解决了在无增长和修剪阈值时网络结构难以动态自调整的问题且避免了网络结构冗余。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和大气中PM_(2.5)浓度预测,证明了该结构设计方法的可行性和有效性。     

基于混合评价指标的自组织模糊神经网络设计研究

针对在无增长和修剪阈值时模糊神经网络结构难以自适应问题,提出一种基于混合评价指标(hybrid evaluation index, HEI)的结构设计方法。首先,通过模糊C均值聚类算法(fuzzy C-means clustering, FCM)确定初始规则层神经元数目及其中心与宽度。其次,基于戴维森堡丁指数(Davies bouldin index, DBI)和邓恩指数(Dunn index, DI)提出一种新的相关性评价指标(relevance evaluation index, REI)来计算规则层各神经元输出之间的相关性,同时根据训练过程中网络输出均方根误差(root mean square error, RMSE)的变化情况来确定网络的学习能力,然后基于REI和RMSE提出了HEI。通过HEI来调整模糊神经网络的拓扑结构,有效解决了在无增长和修剪阈值时网络结构难以动态自调整的问题且避免了网络结构冗余。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和大气中PM_2.5浓度预测,证明了该结构设计方法的可行性和有效性。     

污水处理中溶解氧的部分内模控制

针对污水处理中的不确定参数和不稳定问题,采用改进的内模控制,对变参数活性污泥法污水处理系统的溶解氧浓度进行控制,并对控制器参数进行优化。仿真结果表明：该方法可以快速逼近溶解氧的给定值,并具有较强的抗扰性和鲁棒性。     

基于模糊神经网络的污水处理生化除磷过程控制

针对污水处理生化除磷过程中出水总磷难以实时达标的问题,提出了一种基于模糊神经网络(fuzzy neural network,FNN)的出水总磷控制方法。首先,通过分析污水处理生化除磷机理,确定了控制器的操作变量为生化反应池第五分区外部碳源(external carbon, EC)与溶解氧(dissolved oxygen, DO)传递系数。其次,设计了一种基于FNN的出水总磷控制器,采用梯度下降算法更新控制器参数;最后,将基于FNN的出水总磷控制器应用于污水处理过程基准仿真平台(benchmark simulation model No.1,BSM1),实验结果表明,基于FNN的出水总磷控制器能够保证出水总磷的达标排放,具有较好的控制效果。     

基于氨氮前馈的溶解氧模糊自适应PID控制

提出了基于氨氮前馈的溶解氧模糊自适应PID控制。将其在AAO工艺溶解氧控制的数学模型上进行仿真研究,并对其和常规PID控制的电耗进行比较,得到了较好的节能效果。     

基于自组织神经网络的麻黄模式识别研究

介绍了自组织竞争网络和自组织特征映射网络的原理。中药药用价值与其所含微量元素有直接的关系,药材分类是中药质量控制的重要方法。采用麻黄中微量元素数据建立网络模型,对网络结构参数进行了优化并对麻黄样本进行了聚类分析。数据分析结果表明,自组织竞争网络和自组织特征映射网络都有较好的分类结果,符合生产实际,是中药麻黄化学模式识别的一种有效方法。     

基于多目标的模糊神经网络及在pH控制过程中的应用

设计了一种基于多目标的动态模糊递归神经网络（FRNN）建模方法,用于pH中和过程的广义预测控制。所设计的多目标优化算法以提高拟合精度和简化网络结构为原则,同时优化模糊神经网络中的模糊规则数、隶属度函数中心点及其宽度,由此得到的FRNN模型可以高精度拟合pH中和过程。依据该动态模型,在控制过程的每一个控制周期得到其局部线性模型,将广义预测控制中复杂的非线性优化问题转化为简单的二次线性规划问题。仿真对比结果验证了所提方法的有效性。     

基于自组织映射神经网络的聚类分析系统研究

将自组织影射特征神经网络技术用于工业监控数据聚类分析,并给出聚类算法模型、算法实现步骤,采用VC 程序来实现,通过实验测试和实例数据分析,表明该聚类算法针对工业监控数据存在不确定性、有噪声及多模态性等特点,有较好的鲁棒性和适应性。     

模拟量子自组织神经网络

本文模拟实现了测不准原理应用于自组织神经网络的模型,并使用该模型进行缺失值填充的测试,测试结果表明填充误差由传统网络的10.3%改善至7.25%。     

基于T-S模糊神经网络的Hammerstein模型预测控制

针对化工生产过程中强非线性、大滞后、时变特点的复杂特性,提出了一种基于T-S模糊神经网络的Hammerstein模型动态矩阵预测控制方法。采用非线性控制分离策略,应用动态矩阵控制算法计算该模型动态线性部分的中间变量,作为T-S模糊神经网络的输入,进而通过T-S模糊神经网络逆映射出控制量,以实现基于T-S模糊神经网络的Hammerstein模型预测控制。pH中和过程的仿真控制实验表明,所提方法明显优于传统的PID控制方法,具有良好的设定值跟踪及抗干扰效果。     

基于模糊神经网络PID的塑料薄膜厚度自适应控制

针对塑料薄膜控制系统存在非线性强、大时滞性、薄膜厚度控制精度低等问题,设计了一种模糊控制规则、神经网络与传统PID相结合的塑料薄膜厚度自适应控制系统。首先介绍了塑料薄膜吹膜机工艺,并分析了塑料薄膜厚度检测以及控制原理。设计了模糊神经网络PID的控制系统,利用模糊控制规则及神经网络的自学习能力,实现了传统PID控制参数的在线自适应调整。仿真结果表明,模糊神经网络PID控制器具有良好的动态响应特性,能够使系统在很短时间内达到稳定状态,将薄膜厚度误差控制在3μm以内。当系统被控对象发生变化时,模糊神经网络PID控制器超调量能够控制在10%以内,响应时间不超过100 s。