改善BP网络用于建立FCC产品收率预测模型过程中稀疏样本的训练或检验效果的研究

讨对BP（Back-propagation）人工神经网络用于FCC（Fluidcatalyticcracking）产品收率预测建模时稀疏点样本吻合性较差的问题，提出了①先对样本在空间用聚类分析法进行定位，确定那些是稀疏点、孤点和病点；②孤点用于训练；③剔除病点；④加大稀疏点对目标函数的权重改善稀疏点样本的吻合性，提高了模型的适应性和精度。     

用于七段码识别的BP网络中虚拟样本的生成

针对BP网络用于工业仪表识别中的泛化能力较差问题,根据七段码数显仪表的特点,采用模拟七段码码段重叠的方法,构造虚拟样本,并研究了包含虚拟样本的新训练集和不包含虚拟样本的原始训练集下BP网络的识别效果和泛化能力,发现了新训练样本集训练得到的BP网络对仪表上的七段码识别率与原始训练集训练得到的BP网络相比,识别效果较好,且泛化能力提高了。实验结果表明了该虚拟样本的构造方法的有效性和合理性。     

用于过程建模的BP网络的M训练法及其改进

以Sigmoid为传递函数的BP网络在过程系统工程领域已经得到了广泛的应用，但是一般的GDR训练算法在极小点附近易发生振荡，收敛速度慢。本文提出了人工神经网络M法训练的新途径，并且通过不同算例和工业实际数据建模应用证实了M算法的收敛速度大约是GDR算法的5－10倍左右，有效地提高了网络训练的速度和训练效率。