基于LSSVM的木材干燥建模研究

针对木材干燥过程的强非线性特点,提出以最小二乘支持向量机LSSVM建立木材干燥基准模型.通过实验用小型木材干燥窑实际干燥过程中采集的数据作为训练样本进行仿真实验,结果表明基于LSSVM的木材干燥模型预测输出能够准确反映干燥过程木材含水率的变化,模型结构简单、预测精度高、泛化能力强,验证了LSSVM对木材干燥过程建模是一种可行而有效的方法.     

GA-BP网络在木材干燥过程建模中的应用

木材干燥是一个复杂的非线性系统,由于木材结构复杂且具有多样性和变异性,很难建立一个理想的符合木材干燥过程的数学模型。利用遗传算法的全局寻优能力优化BP神经网络连接权值系数,分别用BP和GA-BP两种算法建立了木材干燥基准模型。对比结果表明:GA-BP算法建立木材干燥基准模型提高了期望误差精度和收敛速度,避免了BP算法陷入局部极小值,预测平均误差为1.0413%,具有较好的预测精度。     

基于小波神经网络的木材干燥窑内传感器建模研究

针对木材干燥系统具有非线性、强耦合的特性,难以建立准确的数学模型,提出一种基于小波神经网络的建模方法。通过木材干燥窑内木材含水率传感器、温度传感器和湿度传感器采集的数据建立小波神经网络模型,并通过模型预测木材含水率传感器的测量值。小波神经网络将BP神经网络在非线性问题上自学习的能力与小波表征信号局部信息的能力相结合,具有很强的自适应分辨性和容错能力。利用实际木材干燥过程中采集的数据作为训练样本进行仿真实验。结果表明：小波神经网络方法建立的模型能够预测木材含水率传感器的测量值,模型泛化能力强,预测精度高于BP神经网络建立的模型,验证了小波神经网络对木材干燥窑内传感器建模的可行性和有效性。     

GA—BP网络在木材干燥过程建模中的应用

木材干燥是一个复杂的非线性系统，由于木材结构复杂且具有多样性和变异性，很难建立一个理想的符合木材干燥过程的数学模型。利用遗传算法的全局寻优能力优化BP神经网络连接权值系数，分别用BP和GA—BP两种算法建立了木材干燥基准模型。对比结果表明：GA—BP算法建立木材干燥基准模型提高了期望误差精度和收敛速度，避免了BP算法陷入局部极小值．预测平均误差为1．0413％，具有较好的预测精度。     

基于DBN-PID的木材干燥窑参数检测系统

针对目前在木材干燥过程中检测参数精度低的问题,设计了一种木材干燥窑参数检测系统;该系统对干燥窑有关参数进行实时采集、调理,经ARM处理器进行数据处理后,将采集的数据通过WiFi无线网络上传至PC机;为改进系统的控制算法,引入深度学习方法,提出了一种基于DBN-PID的控制算法,并与BP-PID算法进行了实验比较;实验结果表明,DBN-PID控制算法应用在木材干燥窑参数检测系统中具有更高的检测精度;为进一步说明DBN-PID算法的性能,还与BP-PID算法进行了仿真比较;仿真表明,DBN-PID算法能够很好的近似非线性对象,具有较强的自适应能力.     

基于卡尔曼滤波的木材含水率在线估计

为解决木材干燥过程木材含水率检测精度低的问题,提高木材干燥的自动控制水平,针对以含水率为基准的干燥过程,提出了应用卡尔曼滤波进行木材含水率在线估计方法。为验证该方法的有效性：首先建立了基于含水率基准加入高斯噪声数据集的卡尔曼估计模型,并在此模型基础上对实验测得的数值进行了在线估计和比较,结果表明卡尔曼滤波方法具有较好的估计精度。     

基于特征级数据融合木材纹理分类的研究

为了提高对木材纹理识别的精度,提出了一种基于融合灰度共生矩阵与高斯-马尔可夫随机场纹理参数的特征级数据融合木材纹理模式识别方法。首先,分别获取了以上两种木材纹理特征参数;然后,使用模拟退火算法将两种不同类型的纹理特征量在特征层上进行了融合。利用融合后的特征对木材纹理样本进行识别,BP神经网络分类器的识别率达到97.00%,表明数据融合后的特征参数对木材纹理识别是十分有效的。     

遥感数据像素级融合统一模型及实现技术

研究遥感数据像素级融合统一模型及相应的实现技术具有重要的理论和应用价值。根据遥感数据成像机理和多光谱影像理想融合增强结果提出了遥感数据融合算法统一模型,该模型通过数学表达式的方式清晰地反映了参与融合的多光谱影像、从高分辨率全色影像提取的空间细节信息和采取的融合策略三者之间的运算关系,将三类典型融合算法推导成本文提出的统一模型;提出了基于统一模型的实现技术,该实现技术舍去对融合结果没有影响的计算步骤,只计算影响最终融合结果所需的参量,并列出常用融合算法实现过程中两个重要参量的求法。通过分析与比较,本文的统一模型概括更全面、适用性更广;通过分析实现步骤和比较实验结果,证明了基于统一模型的实现技术具有减少运算量的优越性,且具有普遍适用性,能应用于已提出的大部分遥感数据融合算法,有助于遥感数据融合技术的应用推广。     

基于BS-PLS回归模型的木材含水率在线预测研究

由于木材干燥周期较长、干燥窑内工作状态极其复杂,这使得木材含水率的检测精度受环境影响较大,尤其是在以木材含水率为基准的干燥过程中,木材含水率的在线检测精度至关重要.针对这一问题,提出了基于样条映射的偏最小二乘法的木材干燥过程非线性建模方法.该方法将采集温度、湿度等多种传感器检测值作为模型的输入,木材含水率作为模型的输出,仿真试验验证了模型具有较好的泛化能力和较高的预测精度.     

基于数据融合的定位解算算法

为了获得更加准确的估计位置,对一种基于数据融合的定位解算算法进行了研究,在将模拟退火算法与经典的泰勒级数展开法和Chan氏算法进行性能比较的基础上,将模拟退火算法与上述两种经典的位置解算算法相结合,通过构造多算法协同定位模型,并基于该模型设计了融合定位算法,对传统定位解算算法进行改进,提出了一种基于数据融合的定位解算算法.仿真结果表明,融合算法的定位精度优于非融合算法且运算量较小.     

一种实用的发酵过程建模方法

该文提出了同时利用在线参数和离线参数融合建模的实用新方法，给出了基于自适应模糊神经网络方法和模糊逻辑推理方法的建模过程，将两种建模方法进行最优加权融合，采用真实青霉素发酵过程数据进行模型验证，仿真结果表明了该方法具有较好的建模精度和实用性。     

基于权值分布的多模型分类算法研究

为了提高卷积神经网络对图像分类的正确率,对网络结构进行研究,提出了多模型融合卷积神经网络。通过提取单个模型的输出特征向量,进行融合后得到新的输出特征向量,再搭建单层分类器进行图像分类,提高分类准确率。将单个模型与多模型融合的分类准确率进行比较,多模型融合卷积神经网络的分类准确率有所提高。分析了卷积神经网络最后一层全连接层的权值分布,发现同一模型在不同数据集上的权值分布曲线相似,分类效果好的网络模型其权值分布曲线更平缓。     

基于多模型融合的车辆通过时间预测

车辆通过某一路网的时间是测算交通拥堵程度的重要指标。为提高车辆通过时间的预测精度，不仅要考虑数据采集精度的影响还要考虑模型的选择。本文提出多模型融合的车辆通过时间预测方法，发现多模型融合的预测精度较高。以某高速公路3个交叉口路段的车辆通行监测数据作为实证数据，用模型融合算法与单一模型进行对比，说明多模型融合算法在交通拥堵治理领域的应用潜力。     

基于多模型时间配准的雷达融合跟踪

针对不同数据率的雷达融合问题,提出了一种多模型时间配准算法,同时将基于最佳线形无偏估计(BLUE)准则的量测转换算法和交互式多模型(IMM)的滤波方法结合起来,将它们运用在雷达的融合跟踪中.通过仿真跟踪一个机动目标,验证了算法的有效性.仿真结果表明.当雷达采样周期比为4时,单模型配准和多模型配准误差相差不多,相应的融合误差相当;当雷达采样周期比为8时,多模型配准误差较单模型配准误差明显较小,相应的融合误差减小,融合效果好.     

Dynamic Neural-Network-Based Model-Predictive Control of an Industrial Baker's Yeast Drying Process

This paper presents dynamic neural-network-based model-predictive control (MPC) structure for a baker's yeast drying process. Mathematical model consists of two partial nonlinear differential equations that are obtained from heat and mass balances inside dried granules. The drying curves that are obtained from granule-based model were used as training data for neural network (NN) models. The target is to predict the moisture content and product activity, which are very important parameters in drying process, for different horizon values. Genetic-based search algorithm determines the optimal drying profile by solving optimization problem in MPC. As a result of the performance evaluation of the proposed control structure, which is compared with the model based on nonlinear partial differential equation (PDE) and with feedforward neural network (FFN) models, it is particularly satisfactory for the drying process of a baker's yeast.      

Data-based multiple-model prediction of the production rate for hematite ore beneficiation process

The prediction of the production rate of the hematite ore beneficiation process is important to plant-wide optimization. This paper presents a data-based multi-model approach to predict the production rate with multiple operating modes. The inputs of the predictive model are the performance indices of each unit process, and the output is the global production index (the production rate) of the hematite ore beneficiation process. The multiple models are developed by integrating the fuzzy clustering algorithm and machine learning algorithm. A global model, Takagi–Sugeno–Kang fuzzy model, and multiple neural network model were compared using the data obtained from a practical industrial process, and the effectiveness of the proposed algorithm was proven.     

一种数据增强和多模型集成的细粒度分类算法

针对解决数据缺少和单个卷积网络模型性能的限制造成细粒度分类准确率不高的问 题，提出了一种数据增强和多模型集成融合的分类算法。首先通过镜像、旋转、多尺度缩放、高 斯噪声、随机剪切和色彩增强6 种变换对CompCars 数据集进行增强处理，然后采用差异化采样 数据集的方法训练CaffeNet、VGG16 和GoogleNet 3 种差异化的网络。然后采用多重集成的方法 集成多种模型的输出结果。实验中测试网络结构在不同数据增强算法和不同模型集成下的分类结 果。模型集成的分类准确率达到94.9%，比最好的单GoogleNet 模型的分类精确率提高了9.2 个 百分点。实验结果表明该算法可以有效地提高分类的准确率。     

基于神经网络的链路预测算法

针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题,研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法,主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习,同时采用标准粒子群算法对神经网络进行了优化,并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明,该算法的预测精度明显高于融合之前的各项指标,并且优于现有融合方法的精度。