自适应与附加动量BP神经网络的ECT流型辨识

传统BP神经网络是解决电容层析成像系统流型辨识经典的算法,虽然在一些简单问题上达到了工业实际应用的要求,但如果解决复杂工业问题时就会暴露出很多缺陷。针对传统BP神经网络算法的不足,为降低误差震荡现象,引入了自适应调节学习速率和附加动量因子。通过输入电容值进行训练,得到适合流型识别神经网络。仿真实验结果表明,该算法不仅继承传统BP神经网络的优点,而且还提高了ECT系统流型辨识中的收敛速度慢,解决了容易陷入局部极小值的问题。     

SADE-ELM电容层析成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种新的ECT流型辨识算法——差分演化优化极端学习机算法,进而提出了基于自适应差分演化优化极端学习机(Sa DEEML)的ECT辨识算法.在论述极端学习机算法的基础上,结合差分演化算法对极端学习机算法进行优化,自适应差分演化算法中的关键参数,通过训练得到各类流型的分类器的参数,构造分类器进行精准与快速分类.实验结果表明:该算法能有效克服极端学习机算法的缺点并提高了局部与全局收敛能力,通过与BP、SVM算法比较,该算法具有竞争力,并为电容层析成像流型辨识的研究提供了新算法.     

成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种基于高斯混合模型的电容层析成像流型辩识算法.在阐述高斯混合模型和EM算法的基础上,结合Kmeans算法,通过训练得到各类流型所对应的高斯混合模型参数,构造分类器实现对五种流型的快速与精准的识别.实验结果表明,该算法与BP神经网络、SVM、决策树识别算法相比,辨识准确率高、识别速度快,为电容层析成像流型辨识算法的研究提供了一个新思路.     

基于电容层析成像和LS-SVM的空隙率测量

基于12电极电容层析成像（ECT）和最小二乘支持向量机（LS-SVM），提出了一种油气两相流空隙率在线测量的新方法.该方法运用快速的线性反投影算法重建两相流截面图像，结合模糊模式识别技术辨识流型.把ECT电容传感器得到的66个电容测量值作为空隙率测量模型的输入，利用LS-SVM建立了针对不同截面流型的空隙率测量模型.在实际测量时，首先辨识流型，然后选择与流型相对应的空隙率测量模型计算获得空隙率.该方法省去了采用传统ECT方法测量空隙率时复杂的图像重建过程，提高了空隙率测量的实时性.实验结果表明该测量方法是有效的.     

一种新的卷积神经网络的ECT图像重建算法

针对电容层析成像技术(electrical capacitance tomography,ECT)反问题中图像重建困难的问题,研究了将卷积神经网络(convolutional neural network,CNN)应用于ECT图像重建的可行性,在对卷积神经网络中较耗时的深层结构和训练过程问题进行深入研究的基础上,对结构中的卷积层和训练中的子采样方法进行了改进,提出了一种加速收敛卷积神经网络(fast convergent convolutional neural network,FCCNN)的图像重建方法,并通过Matlab在计算机上建立了ECT实验仿真系统,与传统算法的仿真实验结果进行了对比和分析。实验结果表明,改进后的算法对常见管道流型的图像重建效率和质量都有一定的提高。     

BP神经网络在电容成像流型识别中的应用

提出了一种基于ＢＰ神经网络两相流流型辨识算法．该方法可克服电容层析成像系统中电容测量灵敏度分布易受被测多相流介质分布的影响,对网络结构及其学习参数进行了研究,可对各种气固两相流流型能有效地判别．     

基于神经网络的ERT系统流型辨识的研究

在两相流测量问题的研究中,流型的准确识别是其他流动参数准确测量的基础,因此,得到比较高的流型辨识率是研究目的.本文在12电极电阻成像的基础上,采用模糊聚类对ERT系统中的测量电压数据进行模糊化,然后以模糊化后的数据作为BP神经网络的输入,在BP神经网络中,对该模糊化后的测量电压数据进行反复学习训练,来实现对两相流四种流型的辨识.通过实验仿真,四种流型的平均识别率达到了89.4%,提高了流型识别的准确率.     

用于电容层析成像系统的电容测量电路

电容层析成像(ECT)技术是目前最具发展前景的多相流参数检测方法,可进行多相流相浓度、流型、流量等参数的在线测量.介绍了12电极ECT成像系统的测量原理及设计方法.研制了一种交流激励的微电容测量电路,该电路具有较强的抗杂散电容性能,结构简单、容易实现等优点,较好地解决了电子开关的电荷注入效应对测量分辨率的影响问题.实验表明:电容测量的分辨率可达5.5×104pE.     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.     

一种分解型Quasi-Newton电容层析成像图像重建算法

针对电容层析成像系统中的"软场"效应和病态问题,在分析电容层析成像和QuasiNewton算法原理的基础上,基于非线性最小二乘的成像原理,提出了一种新的分解型Quasi-Newton电容层析成像算法,推导出了求解ECT反问题的分解型拟牛顿图像重建算法放的计算步骤,同时利用信赖域公式对目标函数的Hessian矩阵进行校正.仿真实验表明,基于分解型拟牛顿方法具有可行性,对于基本流型该算法与LBP算法相比,具有成像质量高和边界均匀稳定的特点,为ECT图像重建的研究提供了一个新的思路.     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

神经网络在锅炉燃烧系统辨识中的应用

对典型的多输入多输出、非线性、动态、有时延的供暖锅炉进行了仿真研究,建立了基于动态BP网络和Elman网络的辨识模型,并对辨识结果进行了误差分析,结果表明：神经网络在锅炉燃烧系统具有比较高的辨识精度,有着广阔的应用前景。     

三项共轭梯度的电容层析成像图像重建算法

针对电容层析成像技术中的＂软场＂效应和病态问题,提出了一种三项共轭梯度的新电容层析成像算法.在分析电容层析成像基本原理的基础上,给出了三项共轭梯度法的迭代公式和计算步骤,并探讨了ECT应用该算法的可行性,算法满足收敛条件且重建图像误差小.仿真和实验结果表明,同LBP和普通共轭梯度算法相比,该算法兼备成像质量高、边界均匀稳定等优点.     

基于改进Elman神经网络的氧化铝浓度控制建模

铝电解过程是一个非常复杂的非线性、时变和大滞后的工业过程体系,因而采用常规的控制方法很难达到良好的控制效果。针对此问题本文提出了采用改进的Elman神经网络对其进行建模,介绍了改进Elman神经网络结构及其学习算法;分析了影响氧化铝浓度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构。通过对现场采集的数据进行了仿真,仿真结果表明：与常规Elman相比,神经网络收敛速度和稳定性上都有明显提高,得到了令人满意的结果。     

时延Elman递归神经网络及其在PMSM的混沌控制中的应用

针对Elman递归神经网络存在的高深度、低分辨率问题,提出了一个结构简单的时延Elman递归神经网络模型。通过在Elman递归神经网络中引入多步的时延结构和反馈结构增强网络的记忆深度和分辨率。针对永磁同步电动机(PMSM)中存在的混沌运动,设计了时延Elman递归神经网络控制器和辨识器,推导出时延Elman递归神经网络的动态反传算法。运用离散型Lyapunov稳定判据,推导出此神经网络控制器和辨识器的权值自适应学习速率的取值范围,确保了控制系统的稳定性和快速收敛性。仿真结果表明,作者提出的时延Elman递归神经网络在动态系统的辨识和控制等方面具有良好的性能。     

Elman神经网络在中厚板轧机宽展预测中的应用

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了一种利用Elman神经网络建立中厚板轧机宽展预报模型的方法。通过实例比较了Elman模型与BP模型的预测效果。结果表明,所建立的Elman神经网络模型收敛速度和预测精度均高于BP网络模型。