基于改进算法BP神经网络的软测量技术

利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并把改进算法后的BP神经网络在盐酸浓度的软测量中做了仿真实验,实验结果表明陡度因子的引入不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

动态光散射颗粒分布软测量

考虑传统动态光散射颗粒粒度分布测量用的反演算法复杂、精度不够、抗噪能力差,本文基于大数据思想,提出了一种动态光散射颗粒分布软测量方法。该方法通过调节颗粒粒度分布形状参数获得大量自相关函数及其对应颗粒分布的数据;使用这些数据对子学习机进行训练。最后,针对训练数据维数较高的特点对传统Bagging算法进行改进,并利用改进的Bagging集成算法集成子学习机以提高软测量模型的精度及泛化能力。通过模拟单峰数据和对300nm标准粒径进行软测量开展了验证实验。结果表明,该方法能够较好地测量出不同动态光散射颗粒分布的峰值及分布宽度,模拟单峰数据测量峰值精度可达1nm,300nm和503nm,标准粒径测量精度分别可达3nm和4nm,优于一般的反演算法。该软测量方法为动态光散射颗粒分布测量开辟了新的途径。     

模糊免疫算法及其在溶剂脱水塔软测量建模中的应用

本文针对基本免疫算法收敛速度慢、计算精度低等缺点,提出了模糊免疫算法.该算法引入模糊技术,对关键参数(交叉概率和变异概率)实现了模糊自适应调整.通过标准测试函数实验结果的对比,其可行性和有效性得到证明,不仅减轻了原始算法中参数确定存在的困难,而且提高了算法的计算速度和精度.其次,本文将模糊免疫算法用于径向基神经网络的训练,并将该神经网络应用于溶剂脱水塔软测量模型.仿真实验证明,模糊免疫算法优化的径向基函数神经网络具有良好的泛化性能.     

基于nu-支持向量机的软测量技术

利用支持向量机(SVM)来进行软测量建模,首先简要介绍nu-SVM的基本原理,随后利用它来建模重油催化裂化装置.理论分析和仿真研究表明,该方法泛化能力强、对样本的依赖程度低,比基于神经网络的软测量具有更好的性能.     

基于改进粒子群算法的小波神经网络分类器

针对传统BP-WNN和基本PSO-WNN算法收敛速度慢和泛化性能低的缺陷,在应用李雅普诺夫理论分析得到单个粒子稳定收敛的参数取值条件基础上,提出一种粒子群改进算法,并利用该算法来训练小波神经网络权值,以此构建一种高效的粒子群小波神经网络分类器。通过Iris标准分类数据集进行测试,结果表明所提出的改进算法与BP-WNN,PSO-WNN等经典算法相比,网络更易于全局收敛,迭代次数少、函数逼近误差小、分类精度高。将该分类器应用于非线性辨识和固井质量评价中,均取得了不错的效果,表明该分类器泛化能力强,具有良好的使用价值和应用前景。     

提高动态流量软测量实时性的RBF中心优化算法

针对液压伺服系统动态流量软测量模型中神经网络训练精度和训练速度难以同时提升的问题,引入减聚类(SCM)算法将原训练样本集映射成初始径向基函数(RBF)中心集,并确定基函数宽度;利用敏感性分析算法(SenV)对基函数的中心进行优化,从而减少神经网络隐层节点数目;在根本上为同时提升神经网络训练精度和训练速度提供保障.实验表明,神经网络的隐层节点数可降低至少30%.     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于聚类的超闭球CMAC混煤燃烧污染物析出软测量模型

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,基于模糊聚类提出一种改进的超闭球CMAC神经网络算法,用于电站锅炉混煤燃烧污染物析出软测量模型的建立.以电站锅炉实际运行工况的煤质特性数据和炉内燃烧条件为输入参数,通过软测量实现大型电站锅炉混煤燃烧硫、氮污染物生成浓度的精确预估和在线测量,用于指导电厂运行人员进行锅炉燃烧调整,以控制污染物的超标排放.与超闭球CMAC算法比较,提出的改进算法可以大大降低高维神经网络节点数并提高神经网络软测量精度,实验结果表明该方法的有效性和可行性.     

基于双能γ射线的煤质灰分软测量技术研究

为提高煤质灰分测量精度,提出了基于双能γ射线的煤质灰分智能软测量方法,该方法以1377Cs和241Am作为中能和低能的γ射线源,并以探测器检测到的γ计数作为辅助变量,利用混沌算法优化的函数链神经网络实现灰分软测量辨识建模,最后对煤质灰分进行软测量预测和验证.研究结果表明:混沌算法优化的函数链神经网络预测方法的预测精度高,具有较强的泛化能力;基于混沌算法优化函数链神经网络的灰分智能软测量值与实测值的平均误差为0.7％,最大误差为0.9％,煤质灰分测量准确度高.