氧化铝浓度软测量技术研究

分析了铝电解生产过程中建立氧化铝浓度神经网络软测量模型的必要性和可行性,根据软测量建模理论建立了采用Levenberg-Marquardt算法的氧化铝浓度神经网络软测量模型.实际应用结果证明了该软测量模型能够有效实现氧化铝浓度的在线检测.     

软测量技术在SMB色谱分离过程中的应用

针对SMB色谱分离过程中组分纯度难于实时在线测量的问题,建立了一种基于BP神经网络的软测量模型。首先对实际生产中的原始数据,经过过失误差剔除及滤波处理后得到一套训练数据和校验数据组成训练样本,然后采用BP神经网络进行训练,得到组分纯度的非参数模型。为加快网络收敛速度,采用改进BP算法对其进行训练。在MATLAB工作平台上进行了大量的仿真研究,对该模型进行验证,仿真结果表明,该方法的有效性。     

软测量技术在打浆过程中的应用

在制浆生产过程中,打浆度是一个很重要的控制参数;针对打浆过程中打浆度难于实时在线测量的问题,建立了一种基于改进BP算法神经网络的软测量模型;首先对实际生产中的原始数据,经过误差剔除及滤波处理后得到一套训练数据和校验数据样本,然后采用改进BP算法神经网络进行训练,加快了网络收敛速度。得到了打浆度的非参数模型;实践表明,该打浆度的神经网络模型能对打浆度进行较精确的预测,并为后续进行过程控制和优化控制、提高打浆质量提供了良好的基础。     

丙烯精馏塔关键组分软测量研究

丙烯精馏塔关键组分塔顶的丙烷浓度和塔釜的丙烯浓度的准确测量是乙烯生产企业提高丙烯收率的关键。鉴于丙烷浓度和丙烯浓度分析仪经常出现故障,提出以RBF神经网络加协同随机粒子群优化(PSO)算法的软测量建模法,即利用RBF神经网络的局部逼近能力来获得模型的结构,利用协同随机PSO算法的全局搜索能力来优化模型的参数,提高模型的逼近能力和泛化能力。该方法克服了BP网络对初始值和网络结构敏感,容易陷入局部最优的缺陷,以及RBF网络全局逼近能力差的缺点。仿真结果表明,此方法所得软测量模型精度高,泛化能力强。     

基于改进BP神经网络的菌体浓度软测量

提出一种改进的BP神经网络(IBPNN)用以建立发酵过程中菌体浓度软测量模型.结合菌体浓度变化范围大这一特点,将传统BP网络的误差函数进行了改进,并利用最优停止法对网络进行训练.避免了过拟合现象.最后针对诺西肽发酵过程中茵体浓度的估计问题,根据隐函数定理选取辅助变量,应用IBPNN建立菌体浓度软测量模型,实验结果验证了所提方法的有效性.     

基于BP神经网络的溶解氧浓度软测量方法研究

针对污水处理过程中曝气池溶解氧浓度无法精确在线测量的问题,本文采用BP神经网络建立了溶解氧浓度预测的软测量模型。将进水参数氨和铵根离子态的氮Snh、快速可生物降解有机物Ss、异养菌生物量Xbh、颗粒性不可生物降解有机物Xi、慢速可生物降解有机物Xs以及进水流量Q作为BP神经网络软测量模型的输入变量,采用遗传算法对BP神经网络的初始连接权值和阈值进行优化。对预测结果的准确性及遗传算法优化BP神经网络的泛化能力进行了分析,讨论了数据归一化对软测量模型预测结果的影响。仿真结果表明,采用遗传算法优化BP神经网络的权值和阈值以及对训练数据归一化处理,有效地解决了溶解氧浓度BP软测量模型精度差的问题,使溶解氧软测量模型的测量精度明显增强。     

基于改进型PSO-BP神经网络的SVI软测量

针对曝气池污泥体积指数(SVI)难于在线测量的情况,提出了一种基于改进型的BP神经网络对SVI软测量的模型,该模型利用改进粒子群优化算法对BP神经网络进行权值调整。为了提高BP神经网络的学习性能,使粒子群的惯性权值按照对数规律变化,同时引入自适应变异算子对局部最优的粒子进行变异,然后利用粗糙集理论消除冗余信息,得到输入变量。该模型对实际污水厂的SVI值进行软测量预测,并与其它软测量模型进行比较,结果表明了该软测量模型具有较好的精度。     

基于粒子群优化神经网络(PSO-BPNN)算法在发酵过程控制中的研究

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的PSO-BPNN软测量模型。鉴于标准BP神经网络收敛太慢的缺点,运用PSO算法来优化网络权值,在此基础上,以饲料用β-甘露聚糖酶为对象,建立其基于PSO-BPNN的发酵过程产物浓度状态预估模型。发酵罐控制结果表明:该模型具有很好的学习精度和泛化能力,可实现对β-甘露聚糖酶产物浓度的实时在线预估。     

基于改进型BP神经网络的打浆度软测量

将改进型BP神经网络算法应用于打浆度的测量,建立起打浆度的BP网络软测量模型。结果表明,该打浆度的神经网络模型能对打浆度进行较精确的预测,并为后续进行打浆过程控制和优化控制、提高打浆质量提供了良好的基础。     

改进PSO-BP算法在飞机剩余油量测量中的应用

针对飞机在飞行时油箱因受震动引起油面起伏不平,导致原有静止状态时的计算模型产生较大测量误差,提出采用BP神经网络的预测飞机剩余油量;但由于BP神经网络存在学习效率低、收敛速度慢和易陷入局部极小等局限,采用改进粒子群算法优化BP神经网络的训练;将改进PSO-BP算法用于飞机剩余油量的测量,实验结果表明,与传统BP学习算法比较,改进PSO-BP算法具有训练时间短,相对误差小,控制精度高等优点,有效地提高了油量测量的精度。     

基于离散过程神经元的乙烯生产装置软测量

针对传统M—P神经网络模型的时间依赖性问题,提出将离散过程神经元应用到乙烯裂解炉软测量中,并将Fletcher—Reeves修正的改进变梯度学习算法应用到离散过程神经元网络,达到提高过程神经元网络的训练速度的目的。最后用乙烯装置的生产数据进行仿真研究,仿真结果表明该改进算法具有明显的快速收敛性,实现了乙烯产率的预测。     

基于离散过程神经元的乙烯生产装置软测量

针对传统M-P神经网络模型的时间依赖性问题,提出将离散过程神经元应用到乙烯裂解炉软测量中,并将Fletcher-Reeves修正的改进变梯度学习算法应用到离散过程神经元网络,达到提高过程神经元网络的训练速度的目的。最后用乙烯装置的生产数据进行仿真研究,仿真结果表明该改进算法具有明显的快速收敛性,实现了乙烯产率的预测。     

基于深度置信网络的4-CBA软测量建模

PTA工业生产过程中4-CBA的含量是评价其产品质量的重要依据。将深度置信网络和已有的浅层算法相结合,提出基于深度置信网络的4-CBA软测量模型。深度置信网络是一种典型的深度学习算法,该算法在特征学习方面优势显著。根据实验结果,基于深度置信网络的软测量模型能够很好地估计4-CBA含量,和单纯的BP神经网络模型相比,基于深度置信网络的模型预测精度更高。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于组合Boosting回归的软测量建模

为了提高Boosting回归算法的稳定性,提出了动态加权的组合Boosting回归算法,即DA-Boosting算法。首先以BP神经网络作为弱学习器,再调用Boosting回归算法构造强学习器,最后以强学习器得到的回归函数作为子函数进行动态加权平均,得到最终的组合函数。几个经典的分析回归数据集的测试表明,该算法不但具有良好的泛化能力,而且泛化性能稳定。最后将DA-Boosting算法用于丙烯软测量建模,应用结果表明该软测量模型泛化性能好,测量精度高。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

无线传感网中一种智能数据融合算法的实现及仿真分析

在无线传感网中,传感器节点一般都由自身装配的电池供电,难以进行电量补充,因此节约电量对于无线传感网来说至关重要.为了提高无线传感网能量使用效率,延长网络生存时间,提出了一种结合遗传算法和粒子群算法优化BP神经网络的智能数据融合算法 GAPSOBP(BP Neural Network Data Fusion algorithm optimized by Genetic algorithm and Particle swarm).GAPSOBP算法将无线传感网的节点类比为BP神经网络中的神经元,通过神经网络提取无线传感网采集的感知数据并结合分簇路由对收集的传感数据进行融合处理,从而大幅减少发往汇聚节点的网络数据量.仿真结果表明,与经典LEACH算法和PSOBP算法相比,GAPSOBP算法能有效减少网络通信量,节约节点能量,显著延长网络生存时间.     

基于改进的小世界网络的组搜索算法及其应用

针对合成氨工艺中,合成塔出口氨含量软测量神经网络模型的参数优化问题,提出了一种改进的小世界网络模型,并将其引入到组搜索优化算法中。改进后的小世界网络在计算节点之间相连接的概率时考虑节点间的距离因素,相距较近的节点间比相距较远的节点之间更容易连接。将改进后的小世界网络引入组搜索算法后,种群中的追随者在每次迭代中,根据当前迭代次数及与其它个体间的距离计算自身与其它个体的相连接概率,相连概率随着迭代增加而线性增大,随着个体间距离的增加而指数递减。追随者根据相连概率选择与自身相连接的个体,再用与其相连的个体构建自身的邻域并选取邻域中的最优个体作为局部最优解个体。追随者更新自身位置时不仅参考整个种群中的全局最优个体,还同时参考自身邻域中的局部最优个体。该算法能够提高种群中个体的多样性,具有更好的全局搜索能力和收敛速度。将该算法应用于氨合成塔出口氨含量软测量建模问题中,对神经网络模型的参数进行优化,并与其它3种方法比较。仿真结果表明,基于改进的小世界网络模型的组搜索算法能够获得更好的模型参数,提高软测量模型的精度。