ANFIS在纯碱碳化过程建模中的应用

针对纯碱碳化过程的复杂建模问题,提出基于T-S模型的自适应神经模糊推理系统(ANFIS)的建模方法.该方法提取碳化过程出碱流量与塔内温度分布及进塔物料的实测数据,建立反映过程出碱流量变化的两种非线性模型.文章通过仿真对两种模型进行了对比,从反应机理上给出了模型优劣产生的原因.     

纯碱碳化过程建模研究

提出一种基于T-S模型的自适应神经模糊推理系统(ANFIS)以解决纯碱碳化过程的复杂建模问题;运用该方法提取碳化过程出碱流量与塔内温度分布及进塔物料的实测数据,建立反映过程出碱流量变化的两种非线性模型;文章讨论了ANFIS网络的结构和学习算法,通过仿真对两种模型进行了对比,从反应机理上给出了模型优劣产生的原因,最后对出碱流量进行了参数预估。     

目标检测中基于Kohonen网络的特征提取方法

为适应时变乃至模型未知的复杂环境,S.Haykin等提出了一种基于神经网络模式识别的雷达目标检测方法.作者在深入研究该检测系统中主要模块:用作分类器的MLP网络和用作特征提取的PCA网络的局限性后,提出分别运用模糊神经网络与Kohonen神经网络对其检测系统进行改进重构.本文主要介绍基于Kohonen网络特征提取的检测方法,并分别运用模拟与真实数据,与原PCA方法进行了性能比较实验与分析.     

纯碱碳化过程建模研究

针对纯碱碳化过程复杂、建模难的特点,提出一种基于T-S模型的自适应神经模糊推理系统（ANFIS）建模方法。该方法提取碳化过程塔内温度分布及出碱流量的实测数据,通过ANFIS网络自组初始化模糊规则,自适应调整前提隶属度参数和结论参数,最终建立出碱流量随塔内温度变化的非线性模型。文章讨论了该网络的结构和学习算法,通过仿真研究得出其良好的实用价值。     

在线识别间歇过程特性的新方法及其在发酵过程中的应用

本文运用模糊集[1]和模式识别理论,提出了一种具有自学习功能的在线识别间歇过程特 性的新方法,用该方法解决一个工业发酵过程菌体生长期的识别问题,取得了良好效果.     

Web日志挖掘中的序列模式识别

Web日志挖掘的基本思想是将数据挖掘技术应用于 Web服务器的日志文件 .本文从 Web日志挖掘过程预处理阶段的结果用户会话文件开始 ,提出了一种基于扩展有向树模型进行用户浏览模式识别的 Web日志挖掘方法 ,并在实验室对该方法进行了简单实现和实际日志数据的测试 .     

支持向量机在烤烟烟叶自动分级中的应用

烟叶自动分级是国内外烟草行业的重要研究课题之一.目前采用神经网络、模式识别等技术在对烟叶样本图像进行自动特征提取与分级时,分级的精度不很理想.在此,本文将支持向量机技术引入到烟叶自动分级中.实验表明,该技术可以为烟叶的自动模式识别提供稳定的参数值,与传统的神经网络方法相比,克服了固有的过学习和欠学习问题,并且对复杂模式的识别能力较强,已达到人类专家分级水平,为烟叶自动分级的研究开辟了新途径.     

BDMOS:大数据挖掘优化系统及其在化工过程优化中的应用

自主研发BDMOS(Big Data Mining Optimization System)大数据挖掘优化系统,该系统集成了多种数据挖掘方法和技术,特别是模式识别建模方法和优化技术。本工作将BDMOS大数据挖掘优化系统成功应用于聚全氟乙丙烯树脂反应装置及氟橡胶聚合生产装置的生产优化。根据装置DCS系统采集的生产数据,研究了装置优化操作的主要工艺参数,采用模式识别建模方法和优化技术建立了生产装置的优化操作模型,根据模型提出的工艺参数优化方案,显著提高了产品合格率。BDMOS软件提供的方法和技术能有效解决复杂化工数据的建模和优化难题,有望在化工生产装置优化过程中得到推广应用。     

离散随机模型降阶的最小条件信息损失方法

针对随机系统的模型降阶问题,从分析离散线性随机状态方程模型中的条件信息描述机制入手,讨论了模型状态集聚过程中系统的平均条件信息损失.运用在模式识别领域中获得成功应用的最小信息损失准则得出了一种新的模型降阶信息论方法———基于状态集聚的最小条件信息损失方法,并讨论了降阶模型阶次的选择.分析表明,当原系统是渐近稳定时,由该方法得出的降阶模型也是渐近稳定的.该方法运用简单,仿真研究也表明由该方法得出的降阶模型具有良好的近似性能.     

地震剖面自动识别综合解释技术的应用

提出了综合运用机图像寺震剖面图象处理的方法,探讨了统计模式识别和神经网络模式识别的理论方法和实现技术,体现出综合技术在实际领域应用的有效性和泌要性,为大量复杂信息的图象处理和解释提供了一条新的思路。     

基于粗糙集的神经网络在模式识别中的应用

神经网络在模式识别中的应用十分广泛,由于网络训练样本中存在大量的冗余信息,常导致神经网络结构复杂,训练速度较慢、识别率不高等问题.在神经网络训练前,引用粗糙集理论对神经网络的训练样本进行属性约简,提取训练样本的重要特征,使得训练样本的输入向量维数减少,进而简化神经网络的结构,提高网络训练速度和识别率.仿真实验表明,此方法切实有效.     

基于动态跟踪步长的直线快速矢量化算法

工程图纸扫描识别一直是模式识别中的难点问题。为了克服细化算法逐像素处理的局部特性,已提出了一些非细化算法。这些算法在不同程度上突破了细化算法在像素层次做局部操作的局限,力图抓住图像的宏观特征进行整体识别,但在处理小线素、曲线图像方面有较大局限性。文章采用动态扫描的概念,不对图像编码,利用随机稀疏扫描抽取跟踪头,利用跟踪头信息指导后续跟踪。跟踪时采用动态调节步长,得到了更精确的、完备的低级矢量化结果,为后续矢量处理提供了良好的基础。文章提出的算法可适用于各种不同工程图纸的处理,地理信息数据的提取。     

基于加速度特征的可拓动作识别方法

针对基于图像和视频的动作识别系统具有特征采集设备复杂、视角固定和需要采集多视角图像等缺点,提出基于加速度特征的可拓动作识别方法。该方法利用物体向不同方向运动时,其关键部位点的三轴加速度具有一定区分度的特点,结合可拓识别方法,实现动作识别。在构建的手臂动作识别系统中,测得动作识别率可达94.4%。该方法可应用于智能监控、医疗电子等领域。     

A control chart pattern recognition system using a statistical correlation coefficient method

This paper presents a control chart pattern recognition system using a statistical correlation coefficient method. Pattern recognition techniques have been widely applied to identify unnatural patterns in control charts. Most of them are capable of recognizing a single unnatural pattern for different abnormal types. However, before an unnatural pattern occurs, a change point from normal to abnormal may appear at any point in control charts for most practical cases. Moreover, concurrent patterns where two unnatural patterns simultaneously exist may also occur in a control chart pattern recognition system. Our statistical correlation coefficient approach is a simple mechanism for recognizing these unnatural control chart patterns with good performance. This approach is also an effective method for the control chart pattern recognition without a tedious training process.     

基于校园网的用户行为数据分析系统的设计

数据分析系统是Web日志挖掘系统的一个重要组成部分,是模式分析的前序步骤,主要包括数据预处理和模式挖掘两个过程。数据预处理包括数据净化、用户会话识别和路径补充;模式挖掘包括事务识别、关联规则分析、序列模式分析、分类分析和聚类分析。在研究传统的分析方法的基础上,结合了一种改进的路径补充算法,经验证表明分析效率显著提高。     

基于Max-T模糊Hopfield网络的车型识别

在许多模式识别采样的过程中,由于环境噪声和设备误差,往往导致采集的数据与真实值有一定偏差,这种偏差会影响识别的效果。本文采用Max-T FHNN模型,提出一种应用于智能化交通管理的车型识别方法。并用实验证实相对于其他车型识别方法,该方法在待测样本含有噪声的情况下能得到更好的识别率。     

复杂系统的非参数决策模型

本文针对烧结过程不确定性大,缺乏足够的结构信息,含有大时滞和变时滞等特点,提出用非参数决策“黑箱“模型来研究复杂系统参数间的制约关系。实例表明,所设计的分类器效果良好,推断烧结矿质量的正确率达８１．５％。该模式识别系统具有普遍的工程应用价值。     

一种模块化神经网络结构用于模式识别

在模式识别中,通常直接用神经网络来处理复杂的多类分类问题,其识别的误判率较大。该文基于任务分解与模块整合的思想,提出了一个模块化Kohonen神经网络(KTD)结构用于模式分类,给出了其学习方法并做了模拟仿真,模拟仿真表明KTD能够获得较高的识别率且误判率较小。