磨浆过程输出纤维长度随机分布预测PDF控制

磨浆过程作为制浆和造纸工业最为重要的生产环节之一,其输出纤维长度随机分布（Fiber length stochastic distribution,FLSD）形状直接决定着后续造纸过程的能耗和纸品质量.针对传统的均值和方差难以描述输出FLSD特征,即具有非高斯分布特性,本文提出一种磨浆过程输出FLSD的预测概率密度函数（Probability density function,PDF）控制方法.首先,采用径向基函数（Radical basis function,RBF）神经网络逼近输出FLSD的PDF,在采用迭代学习方法完成基函数参数整定基础上对相应权值向量进行估计.其次,针对权值之间存在强耦合特点,利用随机权神经网络（Random vector functional-networks,RVFLNs）建立表征输入变量和权值之间关系的预测模型.最后,基于建立的输出FLSD模型设计预测PDF控制器,最终实现对期望输出PDF的跟踪控制.基于工业数据实验验证了所提方法的有效性,为磨浆过程优化运行和控制提供理论依据.     

特征扩展的随机向量函数链神经网络

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system, BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时, BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构, BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下, FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.     

基于模糊粗糙神经网络的发酵过程建模

对于发酵这样一个非线性的动态过程,由于其复杂性和在线传感器的缺乏,使得过程中的一些重要状态变量难以在线测量,从而给发酵过程的优化柠制带来了极大的困难,为此,结合模糊粗糙集和智能控制的理论,充分利用模糊粗糙集和神经网络两者的优点,提出了一种新型的网络-模糊粗糙神经网络实现对发酵过程的建模和状态估计,结果表明陵网络模型的结构简单,可解释性强。收敛速度快,能够较为准确地拟合过程的动态特性,预估能力较强。     

木薯酒精发酵过程溶解氧的模型研究

针对木薯酒精发酵过程中溶解氧的模型难以建立的现状,将模糊技术与神经网络相结合,用自适应神经模糊推理系统(ANFIS)对溶解氧进行建模,使用混合学习算法对该模型进行学习,并用未经训练的数据进行模型验证。结果表明,该模型取得满意的逼近效果,具有一定的可操作性,能够较好的解决木薯酒精发酵过程中溶解氧的建模问题。     

基于SVM的软测量建模

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型学习机,本文提出用支持向量机建立软测量模型．理论分析和仿真研究表明,该方法学习速度快、跟踪性能好、泛化能力强、对样本的依赖程度低,比基于RBF神经网络的软测量建模具有更好的推广能力．     

面向可逆图像处理网络的可证安全自然隐写

目的 自然隐写是一种基于载体源转换的图像隐写方法,基本思想是使隐写后的图像具有另一种载体的特征,从而增强隐写安全性。但现有的自然隐写方法局限于对图像ISO(International Standardization Organization)感光度进行载体源转换,不仅复杂度高,而且无法达到可证安全性。为了提高安全性,本文结合基于标准化流的可逆图像处理模型,在隐空间完成载体源转换,同时通过消息映射的设计做到了可证安全的自然隐写。方法 利用目前发展迅速的基于可逆网络的图像处理方法将图像可逆地映射到隐空间,通过替换使用的隐变量完成载体源的转换,从而避免对原始图像复杂的建模。同时,改进了基于拒绝采样的消息映射方法,简单地从均匀分布中采样以获得需要的条件分布,高效地将消息嵌入到隐变量中,并且保证了嵌入消息后的分布与原本使用的分布一致,从而实现了可证安全的自然隐写。结果 针对图像质量、隐写容量、消息提取准确率、隐写安全性和运行时间进行了实验验证,结果表明在使用可逆缩放网络和可逆去噪网络时能够在每个像素值上平均嵌入5.625 bit消息,且具有接近99%的提取准确率,同时隐写分析网络SRNet(st...     

l_1系统辨识中的代数算法及其Worst－case误差

讨论单输入单输出、离散时不变因果系统的ｌ１系统辨识问题。首先提出基于代数方法的代数算法，并分析了该算法的特点；然后估计其Ｗｏｒｓｔ－ｃａｓｅ误差，并证明了该算法的收敛性；最后讨论了在某些特殊情况下该算法的相应形式。所给结果是面向鲁棒控制的。     

基于稀疏表示剪枝集成建模的烧结终点位置智能预测

烧结终点位置(BTP)是烧结过程至关重要的参数,直接决定着最终烧结矿的质量.由于BTP难以直接在线检测,因此,通过智能学习建模来实现BTP的在线预测并在此基础上进行操作参数调节对提高烧结矿质量具有重要意义.针对这一实际工程问题,首先提出一种基于遗传优化的Wrapper特征选择方法,可选取使后续预测建模性能最优的特征组合;在此基础上,为了解决单一学习器容易过拟合的问题,提出了基于随机权神经网络(RVFLNs)的稀疏表示剪枝(SRP)集成建模算法,即SRP-ERVFLNs算法.所提算法采用建模速度快、泛化性能好的RVFLNs作为个体基学习器,采用对基学习器基函数与隐层节点数等参数进行扰动的方式来增加集成学习子模型间的差异性;同时,为了进一步提高集成模型的泛化性能与计算效率,引入稀疏表示剪枝算法,实现对集成模型的高效剪枝;最后,将所提算法用于烧结过程BTP的预测建模.工业数据实验表明,所提方法相比于其他方法具有更好的预测精度、泛化性能和计算效率.     

基于支持向量机的直接逆模型辨识

在简单讨论逆模型辨识原理的基础上,利用支持向量机(SVM)对函数逼近的能力,提出了基于支持向量机的直接逆模型辨识方法.分别采用二次核函数以及高斯RBF核函数,利用训练数据对线性和非线性系统进行黑箱辨识.仿真结果表明,基于支持向量机的直接逆模型辨识方法在处理线性和非线性对象时,辨识性能都优于传统的BP神经网络,不仅辨识精度高,辨识速度快,而且泛化能力较强.     

增量构造式随机循环神经网络

针对循环神经网络(recurrent neural network, RNN)的结构不易确定、参数学习过程复杂等问题, 提出一种增量构造式随机循环神经网络(incremental-construction random RNN, IRRNN), 实现了RNN结构的增量构造与参数的随机学习. 首先建立隐含节点增量构造的约束机制, 同时利用候选节点池策略实现隐含节点的优选, 避免了网络随机构造的盲目性; 进一步, 从模型参数的局部优化与全局优化两个角度考虑, 提出模型参数的两种增量随机(incremental random, IR)学习方法, 即IR-1与IR-2, 并证明了其万能逼近特性; 同时通过研究IRRNN的动态特性, 分析了IRRNN的泛化性能. 通过实验验证了IRRNN在动态特性、紧凑性和精度等多个方面具有良好特性.     

事件检测支持向量机模型与神经网络模型比较

针对交通领域中的事件检测(无事件模式和有事件模式)模式识别问题,描述了支持向量机(SVM)的基本方法,建立了基于线性(linearfunction)、多项式(polynomialfunction)和径向基(radialbasisfunction)3种核函数的事件检测SVM模型,并与PNN、MLF模型进行了理论比较。采用I-880线圈数据集和事件数据集建立并验证SVM、PNN和MLF模型,结果发现:无论对于向北、向南或混合方向的事件检测,SVM模型的检测率(DR)、误报率(FAR)和平均检测时间(MTTD)指标均比MLF模型好;PNN模型的DR比SVM(P)模型的高,但FAR和MTTD指标不比SVM(P)模型好;在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法与神经网络算法相比具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

基于分层仿生神经网络的多机器人协同区域搜索算法

针对多机器人系统在战场、灾难现场等复杂未知环境下的区域搜索问题, 提出一种基于分层仿生神经网络的多机器人协同区域搜索算法. 首先将仿生神经网络(Bio-inspired neural network, BNN) 和不同分辨率下的区域栅格地图结合, 构建分层仿生神经网络信息模型, 其中包括区域搜索神经网络信息模型(Area search neural network information model, AS-BNN)和区域覆盖神经网络信息模型(Area coverage neural network information model, AC-BNN). 机器人在任务区域内实时探测到的环境信息将转换为AS-BNN和AC-BNN中神经元的动态活性值. 其次, 在分层仿生神经网络信息模型基础上引入分布式模型预测控制(Distributed model predictive control, DMPC)框架, 并设计多机器人分层协同决策机制. 当机器人处于正常搜索状态时, 基于AS-BNN进行搜索路径滚动优化决策; 当机器人陷入局部最优状态时, 则启用AC-BNN引导机器人快速找到新的未搜索区域. 最后, 在复杂未知环境下进行多机器人区域搜索仿真实验, 并与该领域内的3种算法进行比较. 仿真结果验证了所提算法能够在复杂未知环境下引导多机器人系统高效地完成区域搜索任务.     

RNN和Hopfield两网络中的优化解法的对比研究

基于一种动态随机神经网络(DRNN)求解典型NP优化问题TSP的改进算法,在理论上对DRNN与连续的Hopfiled网络(CHNN)进行了对比研究,指出虽然两种网络均以能量函数表达TSP的最优路径,并通过训练反馈网络求得路径解,但由于两者所用激活函数和收敛条件不同,使得DRNN网络能够接受能量函数的小波动,从而跳出局部最小值达到全局最优;此外,DRNN与CHNN相比网络训练对参数变化不敏感,参数设置简单。最后,通过仿真实验对随机坐标十城市使用两种网络对比路径寻优能力,进一步验证理论分析的结论。揭示RNN网络和CHNN网络在求解TSP时各自的优缺点。     

丁二酸发酵过程的软测量建模研究

生物转化法生产丁二酸的间歇厌氧发酵过程存在明显的不确定性和高度非线性,其中某些参数(如丁二酸浓度)难以在线检测,给过程优化策略的有效实施带来了障碍.最小二乘支持向量机(LS-SVM)是标准支持向量机(SVM)的一种扩展,遵循结构风险最小化原则.将该算法用于丁二酸发酵过程建模.用具有RBF核函数的LS-SVM建立丁二酸浓度的模型,并通过MATLAB 7.0开发工具和径向基(RBF)人工神经网络的建模方法进行比较.结果表明LS-SVM方法比基于RBF神经网络的软测量建模方法降低了83.7%的外推误差,具有更好的泛化能力,使针对丁二酸浓度的在线预估与优化控制成为可能.     

灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

发酵过程的建模与优化方法研究

对于发酵这样一个复杂的非线性动态过程,由于在线传感器的缺乏,使得过程中的一些重要状态变量难以在线测量,从而给发酵过程的优化控制带来了极大困难。为此,提出了一种新型的动态网络—递归补偿模糊神经网络方法,实现对发酵过程的建模和状态估计,结果表明该网络能够较为准确地拟合过程的动态特性。进一步采用改进的蚁群算法来对发酵过程的控制变量进行优化,使发酵的产物产量得到提高。该方法应用于多粘菌素的发酵生产过程中,实现了状态变量的在线预估与控制变量的在线优化。     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法, 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架, 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

具有超分辨率行为伪装效果的可逆图像隐藏

目的 图像隐藏已成为计算机视觉领域的一个重要课题,其目的是以难以察觉的方式将秘密图像隐藏在载体图像中,同时要求接收端能够恢复秘密图像。尽管该技术发展迅速,但目前的图像隐藏技术大多是从内容层面进行伪装,追求载密图像与载体图像的不可区分性。其实,图像隐藏的本质是对行为安全的追求,因此不仅可以在内容层面进行伪装,还可以在行为层面进行伪装。方法 本文从行为安全的角度出发,提出了一种基于超分辨率行为伪装的可逆图像隐藏方法。与传统的图像隐藏技术不同,本文首先将秘密图像可逆地隐藏到载体图像中,生成载密图像,然后通过可逆的超分辨率处理创建与普通超分辨率图像处理操作无法区分的伪装图像。最后,允许接收方从伪装图像中恢复秘密图像和载体图像。结果 在图像隐藏和超分辨率两个任务中,本文方法均取得了优异的结果。在相同的数据集下,测试结果显示恢复秘密图像的峰值信噪比(peak signal-to-noise ratio, PSNR)值达到47+dB,较对比方法提升了2%以上,结构相似度(structure similarity index measure, SSIM)值也达到0.99+,超分辨率图像与Bicubic、SRCNN(super-resolution convolutional neural network)方法的结果相比,峰值信噪比(PSNR)提升了2+dB,感知指数(perceptual index, PI)值降低了2.02+。结论 本文提出的图像隐藏框架利用可逆超分辨率处理操作实现了行为安全角度的图像隐藏,在容量、安全性和精度上都具有优势。