基于RBF神经网络的水处理模型辨识方法

目的使用RBF（径向基函数）神经网络辨识臭氧氧化、生物活性炭水处理过程的机理模型．方法在一定原水CODM条件下,分析臭氧投量和生物活性炭塔停留时间对出水CODM的影响作用,建立神经网络模型．结果仿真结果表明改进自组织算法能够合理配置RBF网络中心点集,神经网络模型输出能够有效逼近实验数据样本．结论RBF神经网络模型能够准确描述臭氧氧化、生物活性炭水处理过程中的参数关系,为水处理过程的深入研究提供了新途径．     

混合神经网络建模方法在青霉素发酵过程中的应用

本文采用广义混合神经网络建模方法对青霉素发酵过程进行建模,根据青霉素发酵过程可在线测量过程参数二氧化碳生成率CER,实现青霉素发酵过程生物质浓度的测量。由仿真实验结果可以看出,该方法建模精度高、泛化能力强。     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

抗生素发酵过程的模型辨识

分析了目前洁霉素发酵过程中确定补料量存在问题。提出了基于神经网络的辨识方法建立洁霉素发酵过程逆动力学模型的方案。以生产发酵批报为基础，精选出率高的批报数据作为教师数据，采用遗传算法和BP算法相结合的混合算法对网络进行训练，建立了实用模型，并进行了实验验证。结果表明该辨识模型是可行的，具有实用价值。     

生物发酵过程神经网络状态预防器的验证

由于生物发酵过程的复杂性和不确定性，传统的建模，状态估计、基于模型的多步超前预测方法通常难以奏效，作为一种数据驱动的方法，神经网络模型能够弥补以上方法的不足。采用滚动学习－预测算法，对工业生产规模的青霉素流加发酵过程的产量、糖耗分别作出了多步超前预测，取得了满意的结果。     

基于细胞自动机模型的青霉素发酵过程优化控制策略

针对青霉素分批补料发酵过程优化控制问题,提出了一种基于青霉素分批补料发酵过程细胞自动机模型(简称CAPFM)的青霉素分批补料发酵过程优化控制策略设计方法.该方法通过理论分析,将CAPFM等价并转化为一个马尔可夫过程,并构造了基于马尔可夫决策过程的CAPFM迭代优化控制策略,设计了青霉素分批补料发酵过程迭代优化控制的模拟仿真系统.     

酵母流加发酵过程中模糊神经网络的优化

利用模糊神经网络构建了酵母流加发酵过程的网络模型,通过建立优化子网络,探讨了不同时刻的最佳底物浓度。在模拟网络的基础上,利用遗传算法对流加策略进行了优化研究。     

青霉素发酵过程中溶解氧的变结构预估控制

溶解氧是青霉素生产发酵过程中的重要参数之一，其浓度与菌体细胞的生长速度密切相关．在青霉素发酵过程溶解氧变化机理的基础上，将模糊神经网络和变结构预估控制方法相结合，研究了基于模糊神经网络的青霉素发酵过程溶解氧的变结构预估控制方法，设计了青霉素发酵过程溶解氧的变结构预估控制系统．实验结果表明，对青霉素发酵过程中的溶解氧浓度进行变结构预估控制，可以使溶解氧浓度的调节达到满意的效果，既降低氧消耗，又避免出现氧抑制现象，使发酵过程始终处于较优的状态．     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

基于RBF神经网络的V撑施工过程风险分析

运用RBF神经网络(Radial Basis Function Neural Network)理论,分析了大夹角V撑施工期间最大风险因素可能发生的部位,并对V撑的结构失效风险性进行了定量分析。将有限元分析结果作为神经网络训练样本数据,利用径向基神经网络建立了基本变量和结构响应之间的隐性映射关系,根据蒙特卡洛原理进行模拟计算,最终得出V撑施工过程中各个危险截面出现结构失效的概率预估值。通过工程实例验证表明,基于径向基神经网络所建立的施工过程风险分析方法计算效率高,具有可行性和有效性,同时为V撑施工风险决策提供了理论依据。     

基于RBF神经网络的金属应力状态系数模型

以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab人工神经网络工具箱,建立了轧制变形区的应力状态系数的RBF神经网络预测模型.通过分析应力状态系数的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对函数newrb()中宽度系数spread的试验调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.测试结果表明,RBF网络模型具有很好的推广能力.与传统的BP神经网络模型相比较,结果表明,RBF网络具有更高的精度和更好的泛化能力.     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

基于RBF神经网络的裂缝开度预测模型

大坝裂缝开度是大坝安全的重要特征之一。针对传统裂缝开度预测模型的不足,提出了基于RBF神经网络的裂缝开度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,加快了收敛速度,缩短了训练时间,使得预测精度提高,因此能较好地预测裂缝开度值。利用Matlab的RBF神经网络工具箱建立了裂缝开度预测模型,并应用于实际工程中,取得了较高的拟合预报精度,说明该方法具有较强的实用性。     

BP神经网络和RBF神经网络模型对图书流通量的预测分析

图书流通量是评价图书馆工作的重要指标.为解决图书流通量预测问题,引入BP和RBF神经网络预测模型.结合北京建筑工程学院图书馆2002年至2010年建筑类图书的流通数据进行了matlab仿真,结果表明,两种模型都能有效预测图书的流通量.     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式一灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系，并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

基于RBF神经网络的碳含量建模

以副枪检测信息为基础,应用RBF神经网络,建立了转炉炼铁合金终点碳含量的控制模型。     

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．