水处理系统的神经网络建模研究

对以臭气化一生物活性炭技术为基础的水质处理系统的辨识问题进行研究,给出了基于ＢＰ神经网络的建模方案。采用水质处理系统中的ＣＯＤＭ和臭氧投放量对某水质处理系统进行建模,实验结果证明了该方法的有效性。     

基于递推预报误差算法的前馈神经网络的设计

该文介绍了一种基于递推预报误差算法的前馈神经网络的实现方法。将该网络应用于非线性系统模型的仿真试验中取得了良好的效果。文中给出了试验的结果,并对该网络的应用进行了讨论。     

基于分布式神经网络递推预报误差算法的非线性系统建模

采用基于递推预报误差算法的分布式神经网络 结构建立非线性系统模型．子神经网络模型及其连接权值均采用递推预报误差方法来进行训 练,将所有子网络融合得到的分布式神经网络模型在模型精确性和鲁棒性方面有显著地增加 ．该方法较好地应用于复杂非线性动态系统的建模．     

基于补偿模糊神经网络的系统建模

本文介绍了补偿模糊神经网络原理 ,并利用它对非线性系统进行建模。通过MATLAB语言编制程序进行仿真试验 ,结果表明补偿模糊神经网络对于复杂系统的建模效果非常好。     

基于BP神经网络辨识模型的PEMFC系统建模

为分析燃料电池系统特性,采用BP神经网络结构辨识质子交换膜燃料电池系统模型,模型输入为系统实际输入,模型输出为电堆输出电压和电堆工作温度。由于PEMFC系统是一个时变非线性系统,采用一种串-并联前向神经网络辨识结构模型,将模型前几个时刻输出作为模型输入,使得静态网络结构具有动态特性。BP网络模型通过PEMFC系统所得到的实验数据进辨识。训练完成后BP网络模型输出与实际系统输出基本一致,结果表明BP网络模型能够有效反映质子交换膜燃料电池系统输出电压和电堆温度特性。     

一类非线性系统的建模、辨识与控制研究

提出一种新型的双曲正切模型,这种模型是一种模糊模型,可以很容易由几条模型规则得出,同时此模型也是一和中神经网络模型,因此模型参数可以通过网络学习获得,而且这种模型可以看作是线性模型的扩展,因此许多线性控制理论的结果可用来分析闭环系统稳定性。最后给出了基于此模型的稳定H∞控制器的设计方法。仿真结果表明这了种模型的有效笥及其控制器设计方法的优良性能。     

基于进化策略的动态递归神经网络建模与辨识

提出一种采用进化策略实现动态递归神经网络结构、权重和自反馈增益同时进化的学习算法,以及自适应进化机制,与改进ＢＰ６算法相结合,各取所长,形成集成化动态递归神经网络建模辨识算法,实际应用结果表明,所提出算法不仅明显提高了动态递是 网络模型辨识自救的收敛速度格精度,而且实现了动态递归网络的全自动优化设计。     

基于反馈神经网络的动态化工过程建模

针对非线性动态化工过程建模存在的问题,提出了一种新的反馈神经网络结构,并将状态反馈、时间序列延尺以及集中节点的概念结合起来,用于提高反馈神经网络的性能,同时又使得网络结构不至于太复杂,在用此网络结构建模的时间,成功地将BP算法用一网络模型的训练。文中将这种反馈神经网络结构分别对一个单输入单输出（SISO）的非线笥动态系统和一个多输入单输出（SIMO）的连续全混釜（CSTR）模型进行建模,并将所得模型与基于表态BP神经神经所得的模型在模型输出精度和抗干扰性等方面进行了比较,证明了该反馈神经在动态过程建模中能够比静态BP模型更好地反映出动态过程的输入输出关系,并具有一定的抗干扰能力。     

基于模糊规则的非线性系统建模方法

提出了一种基于模糊聚类自调整的模糊建模方法,基于模糊聚类通过自适应模糊推理来调整模糊系统,一种在线辨识算法的是通过非线笥系统参数的在线性估计来进行的,为了证明了所提出方法的适用性,给出了几个实例的仿真结果。     

基于神经网络辨识的熔融碳酸盐燃料电池（MCFC）建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统过于复杂,难以建模以及已建立的模型过于复杂,难以满足工程上对MCFC系统控制设计特别是实时控制的需要,该文试图绕开MCFC的内部复杂性,提出利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到MCFC这种高度非线性系统的建模。以燃料气和氧化剂气体的流速为输入量,MCFC电堆的温度响应为输出量,根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型,给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性,建立的模型精度较高,它使得设计MCFC的实时控制器成为可能。     

BP神经网络在剩余油分布预测中的应用研究

我国多数油田经过一次、二次采油后,仅能采出地下总储量的30%左右,这意味着有60%～70%的剩余石油仍然残留在地下成为剩余油。加强剩余油分布规律研究、提高石油采收率不仅有着可观的经济效应,而且关系到国家石油战略的安全。本研究应用神经网络的原理,基于BP网络使用MATLAB语言建立一个剩余油分布的预测系统。该系统通过学习在地理坐标和孔隙度之间建立一个非线性函数关系,以此来预测任何区域的孔隙度,再通过孔隙度与剩余油饱和度之间的关系达到剩余油分布预测的目的。     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.     

具有FIR突触的积单元神经网络预测时间序列

提出一种具有有限脉冲响应(FIR)突触的积单元神经网络(PUNN)结构,并用于预测混沌时间序列。这种神经网络结构既继承了标准PUNN的结构简单、信息存储能力强的优点,又更适合预测混沌时间序列,特别是在小的学习样本情况。分别用具有FIR突触的PUNN、标准PUNN以及模糊神经网络(FNN)等3种神经网络对小的样本混沌时间序列做了1步多步预测对比实验。结果显示具有FIR突触的PUNN比其他2种神经网络预测精度都高。这说明具有FIR突触的PUNN是预测小学习样本时间序列的一种有效方法。     

基于模糊神经网络的ATM网络业务量智能预测

文章尝试将模糊神经网络方法引入ATM网络的业务量预测中。ATM网络业务源一般是随机产生的时变信号,其模型一般很难描述。文章充分考虑了模糊神经网络的学习功能,通过对相关模型的仿真,能够很好地描述ATM网络中的业务流特性,对多媒体的业务量做出了准确的预测。与传统的神经网络方法比较,具有更好的逼近效果。     

New Results for Prediction of Chaotic Systems Using Deep Recurrent Neural Networks

Neural Processing Letters - Prediction of nonlinear and dynamic systems is a challenging task, however with the aid of machine learning techniques, particularly neural networks, is now possible to...     

Time Series Prediction and Neural Networks

Neural Network approaches to time series prediction are briefly discussed, and the need to find the appropriate sample rate and an appropriately sized input window identified. Relevant theoretical results from dynamic systems theory are briefly introduced, and heuristics for finding the appropriate sampling rate and embedding dimension, and thence window size, are discussed. The method is applied to several time series and the resulting generalisation performance of the trained feed-forward neural network predictors is analysed. It is shown that the heuristics can provide useful information in defining the appropriate network architecture.     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

Online Text Prediction with Recurrent Neural Networks

Arithmetic coding is one of the most outstanding techniques for lossless data compression. It attains its good performance with the help of a probability model which indicates at each step the probability of occurrence of each possible input symbol given the current context. The better this model, the greater the compression ratio achieved. This work analyses the use of discrete-time recurrent neural networks and their capability for predicting the next symbol in a sequence in order to implement that model. The focus of this study is on online prediction, a task much harder than the classical offline grammatical inference with neural networks. The results obtained show that recurrent neural networks have no problem when the sequences come from the output of a finite-state machine, easily giving high compression ratios. When compressing real texts, however, the dynamics of the sequences seem to be too complex to be learned online correctly by the net.     

污水处理中BP神经网络与Elman神经网络的预测比较

以活性污泥污水处理过程为背景,介绍并比较了BP神经网络与Elman神经网络对于污水处理输出化学需氧量(COD)的预测.实验结果表明,Elman神经网络训练时间要比BP神经网络训练时间长,但是Elman神经网络预测的精确度要比BP神经网络预测的精确度高,Elman神经网络能够更好的预测污水处理的进程.     

Using Neural Networks to Modularize Software

This article describes our experience with designing and using a module architecture assistant, an intelligent tool to help human software architects improve the modularity of large programs. The tool models modularization as nearest-neighbor clustering and classification, and uses the model to make recommendations for improving modularity by rearranging module membership. The tool learns similarity judgments that match those of the human architect by performing back propagation on a specialized neural network. The tool's classifier outperformed other classifiers, both in learning and generalization, on a modest but realistic data set. The architecture assistant significantly improved its performance during a field trial on a larger data set, through a combination of learning and knowledge acquisition.