基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

基于智能集成优化的合成塔入口氨含量软测量

文化算法主要由种群空间和信念空间构成,两个空间共同进化来模拟人类文化的进化过程。提出一种智能集成优化算法,将遗传算法、粒子群优化算法应用到文化算法框架中,并与神经网络相结合,构造一种智能集成网络模型,并将其应用到合成塔入口氨含量软测量建模。结合实际工艺,对所建软测量模型进行仿真研究。研究结果表明,该模型的性能优于传统BP神经网络模型、遗传神经网络模型和粒子群神经网络模型,具有较高的精度和良好的应用前景。     

基于集成学习的多产品化工过程软测量建模方法

化工过程通常具有非线性、时变以及多产品等特性。针对上述特点,在集成学习框架下建立自适应软测量模型。首先,面向具有多个产品的化工对象,借助k近邻法,以统计假设检验理论为依据,提出一种自适应局部化方法,获得多样性程度高的局部模型集合。然后,根据未知样本量化局部模型的泛化能力,通过选择性集成方法获得主导变量的估计值。此外,为了对主导变量估计值的精度进行评估,基于局部模型泛化误差,给出一种通用性高的模型性能评价方法。在仿真的盘尼西林生产过程上的运行结果验证了所提方法的有效性。     

基于互补神经网络级联模型的聚丙烯MFR预报

提出了一种基于集成数据处理的,由高斯基-自适应复合基函数构成的互补径向基函数(RBF)神经网络系统和隐马尔科夫模型(HMM)的聚丙烯熔体流动速率(MFR)预报方法。首先构造HES-KDE-TVW集成数据处理方法,挖掘建模数据规律;然后构造自适应复合基函数,搭建互补的RBF神经网络预报模型;最后引入HMM对聚丙烯生产过程中的随机误差进行估计。经过工厂实际数据检验,模型在精度、泛化性及可靠性方面具有较好的综合性能。此种建模方法能为聚丙烯生产过程中牌号切换和质量控制提供一种备选的指导方案。     

神经网络在光伏发电MPPT的应用研究

研究利用BP神经网络和RBF神经网络实现光伏发电最大功率点跟踪。通过仿真,神经网络能够快速跟踪到光伏电池的最大功率点。为提高泛化性能,对网络进行串联改进。仿真表明：新网络的泛化性能较之前独立网络有所提高,对测试样本的拟合效果也变得更好。     

多频率系统动态插值神经网络软测量建模

针对某些化工过程关键变量难以在线测量的问题,提出了一种基于多采样率系统的时间序列神经网络的软测量建模方法,建立了动态插值神经网络模型,并利用增强粒子群算法实现了网络参数的优化。将此方法用于实验室模拟建模,实现了变量的在线预估,并对网络的训练效果和泛化性能进行了分析,表明其建模效果明显优于普通静态神经网络。     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

一种用于动态化工过程建模的反馈神经网络新结构

提出了一种新的用于非线性动态化工过程的状态集成反馈神经网络结构 (SIRNN) ,并将静态BP网络的训练算法引入到该网络的训练中 .状态反馈、时间序列延迟与集成节点的概念结合在SIRNN结构中 ,使得在用SIRNN建模过程中既可以考虑系统过去更多时刻的状态信息又可以相对降低网络的复杂程度 ,使得网络结构更趋于合理 .将SIRNN对一单输入单输出二阶非线性动态系统建模 ,并与其他反馈神经网络建模效果进行了比较 ,同时对该网络结构进行了抗干扰性检验 ,并对其在多输入单输出系统的应用中进行了尝试 ,结果表明SIRNN结构对非线性动态系统建模具有快速、高效和抗干扰的良好性能     

一种新的基于误差矢量化的选择性神经网络集成方法及其在高密度聚乙烯串级反应过程中的应用(英文)

Chemical processes are complex, for which traditional neural network models usually can not lead to satisfactory accuracy. Selective neural network ensemble is an effective way to enhance the generalization accuracy of networks, but there are some problems, e.g., lacking of unified definition of diversity among component neural networks and difficult to improve the accuracy by selecting if the diversities of available networks are small. In this study, the output errors of networks are vectorized, the diversity of networks is defined based on the error vectors, and the size of ensemble is analyzed. Then an error vectorization based selective neural network ensemble (EVSNE) is proposed, in which the error vector of each network can offset that of the other networks by training the component networks orderly. Thus the component networks have large diversity. Experiments and comparisons over standard data sets and actual chemical process data set for production of high-density polyethylene demonstrate that EVSNE performs better in generalization ability.     

Study and Application of Fault Prediction Methods with Improved Reservoir Neural Networks

Time-series prediction is one of themajor methodologies used for fault prediction. Themethods based on recurrent neural networks have been widely used in time-series prediction for their remarkable non-liner mapping ability. As a new recurrent neural network, reservoir neural network can effectively process the time-series prediction. However, the ill-posedness problemof reservoir neural networks has seriously restricted the generalization performance. In this paper, a fault prediction algorithm based on time-series is proposed using improved reservoir neural networks. The basic idea is taking structure risk into consideration, that is, the cost function involves not only the experience risk factor but also the structure risk factor. Thus a regulation coefficient is introduced to calculate the outputweight of the reservoir neural network. As a result, the amplitude of outputweight is effectively controlled and the ill-posedness problemis solved. Because the training speed of ordinary reservoir networks is naturally fast, the improved reservoir networks for time-series prediction are good in speed and generalization ability. Experiments on Mackey-Glass and sunspot time series prediction prove the effectiveness of the algorithm. The proposed algorithm is applied to TE process fault prediction. We first forecast some timeseries obtained from TE and then predict the fault type adopting the static reservoirs with the predicted data. The final prediction correct rate reaches 81%.     

水泥煅烧工段机理分析与神经网络预测方法

采用神经网络的方法建立水泥预分解窑煅烧工段的预测模型。选择合理的状态与控制变量,通过采集实际运行数据来训练神经网络。构建的基于BPNN神经网络的煅烧预测模型能够较好地拟合采样数据,具有较好的泛化能力。     

混合RBF网络及其在连续重整装置中的应用

提出一种结合线性回归和RBF神经网络的混合软测量建模方法，既能很好地利用神经网络的非线性特性，又能在一定程度上消除神经网络泛化能力不强的影响。通过对比实验及在某炼油厂连续重整装置中的应用，表明这种混合RBF神经网络比之常规RBF神经网络，其性能指标更好，并且没有带来计算量的大幅度增加，具有更高的实际应用价值。     

Prediction of Protein–ATP Binding Residues Based on Ensemble of Deep Convolutional Neural Networks and LightGBM Algorithm

Accurately identifying protein–ATP binding residues is important for protein function annotation and drug design. Previous studies have used classic machine-learning algorithms like support vector machine (SVM) and random forest to predict protein–ATP binding residues; however, as new machine-learning techniques are being developed, the prediction performance could be further improved. In this paper, an ensemble predictor that combines deep convolutional neural network and LightGBM with ensemble learning algorithm is proposed. Three subclassifiers have been developed, including a multi-incepResNet-based predictor, a multi-Xception-based predictor, and a LightGBM predictor. The final prediction result is the combination of outputs from three subclassifiers with optimized weight distribution. We examined the performance of our proposed predictor using two datasets: a classic ATP-binding benchmark dataset and a newly proposed ATP-binding dataset. Our predictor achieved area under the curve (AUC) values of 0.925 and 0.902 and Matthews Correlation Coefficient (MCC) values of 0.639 and 0.642, respectively, which are both better than other state-of-art prediction methods.