RBF神经网络的结构动态优化设计

针对径向基函数(Radial basis function, RBF)神经网络的结构设计问题, 提出一种结构动态优化设计方法. 利用敏感度法(Sensitivity analysis, SA)分析隐含层神经元的输出加权值对神经网络输出的影响, 以此判断增加或删除RBF神经网络隐含层中的神经元, 解决了RBF神经网络结构过大或过小的问题, 并给出了神经网络结构动态变化过程中收敛性证明; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对非线性函数的逼近与污水处理过程中关键参数的建模结果, 证明了该动态RBF具有良好的自适应能力和逼近能力, 尤其是在泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation networks, MRAN)与增长和修剪RBF 神经网络(Generalized growing and pruning radial basis function, GGAP-RBF) 有较大提高.     

改进Elman网络的污水处理过程建模

污水处理过程具有多变量、非线性、大滞后和强耦合的特点,建立精确的数学模型十分困难,为了精确的描述污水处理过程,本文将1种改进型的递归神经网络应用在污水处理过程建模中,建立了污水处理过程关键水质参数的智能模型。Elman网络作为1种动态神经网络,网络的动态特性可以很好的反映系统的内部动力学特征,但是标准的Elman网络只对隐含层的输出进行了反馈,并且只反馈给了隐含层的输入,反馈信息较少。针对此问题,本文提出1种改进型的Elman网络(OAF Elman网络),增加了输出层的反馈信息,将反馈信息既传给隐含层输入又传给输出层的输入,同时将隐含层的反馈也作为输入层的输入,使网络的输出包含更多的输入信息,能够更好的反映系统的时变、非线性等特征。采集污水处理厂生化反应过程实际运行数据,取对COD影响较大的MLVSS、进水COD、pH值、氨氮4个种指标作为递归神经网络模型的输入,对污水出水的关键水质参数COD进行建模,网络的训练误差达到0.011,测试误差达到0.4875。实验结果表明:与传统的Elman网络和其他几种改进型的Elman网络相比,本文提出的OAF Elman网络具有更丰富的动力学特性,建立的污水处理模型达到...     

基于DHNN的移动域控制策略及应用

为避免基于Riccati方程求解移动域控制问题时复杂的矩阵求逆运算,提出一种基于离散Hopfield网络(DHNN)的移动域控制策略.对每个离散时刻,通过建立DHNN能量函数与移动域线性二次(LQ)性能指标间的等价关系,在线构建相应时刻的DHNN,理论设计能够保证该网络具有稳定性,而且由其稳态输出可获得移动域控制输入.应用于倒立摆平衡控制的仿真实验说明了论文提出的移动域控制策略的正确性及与滚动优化思想相结合实现无限域闭环最优控制的可行性.     

板形模式的一种模糊识别方法

根据带风板形控制的要求，运用模糊识别理论，提出一种新的板形识别方法，该方法避开了多项式回归运算，具有很强的抗干扰能力，通过对实测板形数据的分解表明其识别效果很好     

地方工科高校全日制专业学位研究生培养质量探析——以北京工业大学为例

地方工科高校承担着大部分全日制专业学位研究生培养的任务,这部分研究生的培养质量直接影响全日制专业学位改革的发展。针对地方工科高校全日制专业学位研究生培养的特点,提出了地方工科高校全日制专业学位研究生培养定位,并从课程教学、专业实践、导师实践能力、职业资格认证、学位论文保障等方面探析了提高全日制专业学位研究生培养质量的方法。     

基于自组织递归模糊神经网络的BOD软测量

生化需氧量是污水处理过程中评价水质的重要指标之一,神经网络软测量是解决其在线测量困难的主要方法。污水处理是一个动态的过程,而前馈神经网络由于缺乏动态性而难以保证对其的测量精度。本文提出了一种自组织递归模糊神经网络,建立了内部的反馈连接以增强网络动态性能,通过评估神经元的互信息关系和激活强度以增长或修剪规则层神经元,采用梯度下降学习算法进行参数更新,并结合自适应学习率以提高收敛精度。通过对实际污水厂数据的实验结果表明,本文提出的模型结构更紧凑,对出水生化需氧量的预测精度更高。     

一种改进的在线自适应模块化神经网络

针对在线模块化神经网络难以实时有效划分样本空间,提出一种改进的在线自适应模块化神经网络.首先,基于距离与密度实时更新样本局部密度及RBF神经元中心,实现样本空间在线划分;然后,将子网络模块数根据划分样本空间的个数进行自适应增减,每个子网络模块对属于对应样本空间的样本进行学习;最后,集成模块对子网络模块的输出结果进行集成,输出最终结果.针对在线梯度下降法要求样本有足够的随机性问题,提出一种具有固定记忆的在线梯度下降法对网络进行在线学习.通过对典型非线性时变系统及污水处理过程中出水氨氮浓度进行预测,验证了该模块化神经网络能够实时有效地更新RBF神经元中心,并减少学习过程中子网络模块不必要的增减,且网络结构更加简洁,能够准确预测不同的时变系统.     

面向城市固废焚烧过程的二噁英排放浓度检测方法综述

焚烧在城市固体废物(Municipal solid wastes, MSW)的无害化、减量化和资源化处理方面优势显著. MSW焚烧(MSW incineration, MSWI)过程副产品之一的剧毒持久性污染物二噁英(Dioxins, DXN)是造成焚烧建厂“邻避效应”的主要原因. DXN排放浓度难以在线实时检测的工业现状已成为制约MSWI过程运行优化与城市环境污染控制的瓶颈. 首先, 结合典型MSWI过程分析DXN的生成特性与排放控制策略; 接着, 将DXN排放浓度检测方法从测量原理、复杂度和时间尺度等视角分为离线直接检测法、指示物/关联物在线间接检测法和软测量法并进行综述; 然后, 对不同方法的发展阶段和关联性进行分析, 指出各自的优劣性和相互间的互补性, 结合MSWI过程特点归纳基于过程数据进行DXN排放浓度软测量的难点, 并将其提炼为一类面向小样本高维稀疏标记数据的智能建模问题; 最后, 指出进行DXN排放浓度智能软测量的未来研究方向和发展前景.