基于优化神经网络的高拱坝力学参数反演

高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘（recursive orthogonal least squares,ROLS）算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解（singular value decomposition,SVD）决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘(recursive orthogonal least squares,ROLS)算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解(singular value decomposition,SVD)决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

Kohonen-RBF网络用于废水中钴镍钒的同时测定

将Kohonen神经网络与RBF网络相结合,对废水中吸收光谱严重重叠的钴、镍、钒三组分体系进行解析。利用Kohonen神经网络选择全谱特征波长,优化确定了RBF网络的结构和参数,使光度分析计算的校正模型的优化问题得到有效解决。分析结果表明,经Kohonen神经网络方法进行波长选择后,优化了RBF网络的输入并提高了其预测能力。     

基于RBF神经网络的遗传算法在织物染色配色中的应用研究

本文提出一种基于RBF神经网络的遗传算法解决织物染色配色问题的模型,该模型以遗传算法为主,通过使用RBF神经网络建立遗传算法的适应度函数来共同解决织物染色配色问题。通过实验表明,使用基于RBF神经网络的遗传算法配色模型可以快速提供满足企业要求的染色配方。     

基于免疫遗传算法-BP神经网络的主汽温控制

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计一种基于免疫遗传算法、BP神经网络和RBF神经网络的智能PID控制系统.利用免疫遗传算法的全局搜索寻优能力和较好的收敛性优化神经网络的权值,同时利用BP网络对PID参数进行在线调整.仿真结果表明,该系统在控制品质、鲁棒性方面都明显优于常规PID控制系...     

基于迭代启发式动态规划的锅炉燃烧系统的优化控制

对锅炉燃烧系统进行径向基函数(RBF)神经网络建模,利用基于RBF神经网络的迭代启发式动态规划(HDP)算法对锅炉燃烧系统进行优化控制,并对神经网络初始权值和效用函数进行改进后与传统的HDP算法进行比较分析.     

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。     

具有遗传算法优化BP神经网络调节的HVDC PID控制器设计

高压直流输电(HVDC)定电流控制是直流输电系统的控制方式之一,为了使HVDC PID控制器具有较好的自适应性,实现控制器参数自动调整,提出一种具有遗传算法优化BP神经网络调节的HVDC PID控制器。该控制器首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络对PID三个参数进行在线调整。仿真研究表明:具有遗传算法优化BP神经网络调节的PID控制器可以保证系统动态响应具有较好的快速性和对系统扰动的自适应性,是可行的。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

A Novel Empirical Equation for Relative Permeability in Low Permeability Reservoirs

In this paper, a novel empirical equation is proposed to calculate the relative permeability of low permeability reservoir. An improved item is introduced on the basis of Rose empirical formula and Al-Fattah empirical formula, with one simple model to describe oil/water relative permeability. The position displacement idea of bare bones particle swarm optimization is applied to change the mutation operator to improve the RNA genetic algorithm. The parameters of the new empirical equation are optimized with the hybrid RNA genetic algorithm (HRGA) based on the experimental data. The data is obtained from a typical low permeability reservoir well 54 core 27-1 in GuDong by unsteady method. We carry out matlab programming simulation with HRGA. The comparison and error analysis show that the empirical equation proposed is more accurate than the Rose empirical formula and the exponential model. The generalization of the empirical equation is also verified.     

改进的双模型结构RBF神经网络及其应用

提出了离线结构学习和在线权值校正相结合的双模型结构RBF神经网络,以离线学习和在线校正相结合的方式实现网络的自学习和自校正,满足了软测量仪表现场应用的要求。针对应用过程中出现预测误差过大的现象,通过对网络算法进行分析,研究影响网络预测精度的因素,在此基础上,提出了以K均值聚类法和递推下降算法相结合的RBF神经网络建模改进算法,仿真结果和实际应用证明了改进算法的有效性。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量（biochemical oxygen demand，BOD）难以实时准确测量的问题，提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先，使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量；其次，设计一种基于误差校正-敏感度分析的自组织RBF神经网络，使用改进的Levenberg-Marquardt（LM）算法对网络进行训练以提高训练速度；最后将软测量模型应用于UCI公开数据集及实际的污水处理过程，实验结果表明该软测量模型结构紧凑，训练时间相对较短，预测精度有所提高，能够对出水BOD实现快速准确预测。     

确定影响矿井风流稳定性主要风路的神经网络方法

提出了确定影响矿井通风风流稳定性主要风路的新方法。首先构造影响矿井风流稳定性的主要风路的-RBF神经网络模型,然后用生产实际数据对神经网络模型进行训练,从而确定矿井通风系统巷道的风阻与风量之间的非线性映射关系,最后用神经网络计算巷道风阻值的变化对巷道风量的影响,通过风量变化分析确定影响矿井风流稳定性的主要风路。     

Prediction of the gas solubility in polymers by a radial basis function neural network based on chaotic self‐adaptive particle swarm optimization and a clustering method

A novel model based on a radial basis function neural network (RBF NN), chaos theory, self‐adaptive particle swarm optimization (PSO), and a clustering method is proposed to predict the gas solubility in polymers; this model is hereafter called CSPSO‐C RBF NN. To develop the CSPSO‐C RBF NN, the conventional PSO was modified with chaos theory and a self‐adaptive inertia weight factor to overcome its premature convergence problem. The classical k‐means clustering method was used to tune the hidden centers and radial basis function spreads, and the modified PSO algorithm was used to optimize the RBF NN connection weights. Then, the CSPSO‐C RBF NN was used to investigate the solubility of N₂ in polystyrene (PS) and CO₂ in PS, polypropylene, poly(butylene succinate), and poly(butylene succinate‐co‐adipate). The results obtained in this study indicate that the CSPSO‐C RBF NN was an effective method for predicting the gas solubility in polymers. In addition, compared with conventional RBF NN and PSO neural network, the CSPSO‐C RBF NN showed better performance. The values of the average relative deviation, squared correlation coefficient, and standard deviation were 0.1282, 0.9970, and 0.0115, respectively. The statistical data demonstrated that the CSPSO‐C RBF NN had excellent prediction capabilities with a high accuracy and a good correlation between the predicted values and the experimental data. © 2013 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 130: 3825–3832, 2013     

潜油电泵智能节电装置的研制

在进入高含水期的油田开发中,潜油电泵得到广泛应用,而如何提高其采油系统效率,降低电泵采油井耗电量,成为油田节能减排工作的重点。本文设计了一种新型智能潜油电泵有载调压变压器,给出了结构组成及工作流程,进行了室内外的现场实验,结果表明,该装置可以有效地选择最佳电压,节电效果显著。     

一种基于新型蚁群算法的聚丙烯熔融指数预报模型

聚丙烯熔融指数的实时预报非常重要却十分困难,提出了一种经过新型蚁群算法优化后的PCA-RBF神经网络方法进行熔融指数预报。PCA将原始数据从高维空间映射到低维空间,剔除冗余信息和提取过程特征;RBF神经网络则用来拟合输入与输出之间的非线性关系;最后用适用于连续空间寻优问题的新型蚁群算法对RBF神经网络权值进行优化。实际生产数据的研究结果,表明了所提出的熔融指数预报模型的准确性和可靠性。     

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。     

基于径向基函数网络的MH/Ni电池建模及容量预测

引　言近年来 ,随着汽车的迅速发展和大量普及 ,它所造成的尾气污染问题也日益突出 .电动车的发展可以有效地解决燃油汽车的污染排放问题 .MH/Ni电池是一种无污染的“绿色能源” ,它具有高比能量、高比功率、长寿命及安全性好等特点 ,是电动车用动力型电池的首选 .在动力型电池