基于强跟踪滤波器训练的前向神经网络及其在系统辨识中的应用研究*

给出基于强跟踪滤波器训练前向神经网络的新方法。由于强制残差序列保持相互正交,强跟踪滤波器相对扩展Kalman滤波的收敛速度更快,同时精度更高。最后通过系统辨识仿真实例验证该方法的有效性。     

基于神经网络的助力搬运装置自适应控制方法研究

为提高助力搬运装置在建筑工地等复杂路况下的适用性,通过对国内外助力系统及其控制方法发展现状的调查和分析,提出一种智能助力控制系统。首先建立控制模型,在智能控制的研究中发现BP神经网络能够对输入信息进行识别并分类处理,且计算较简单,容易实现,但BP神经网络隐含层节点数难以确定、易陷入局部最小值,因此,采用遗传算法对BP神经网络进行优化(GA-BP),并设计具体实现方法。采集平坦、斜坡两种路况的数据,通过人工赋予理想输出数据,将其一部分作为训练数据,对GA-BP神经网络及BP神经网络进行对比训练,另一部分作为验证数据,检验两种网络的训练结果。使用MATLAB进行数据仿真分析,验证GA-BP神经网络控制方法的可行性。试验结果表明:这种控制方法能够有效地解决助力搬运装置在复杂路况下的自适应控制问题。     

高压粉末制样-X射线荧光光谱法测定海洋沉积物中28种组分

常规粉末压片制样是一种简单、高效的绿色环保制样技术,但是应用于某些沉积物样品制备存在样片表面粗糙和粉末容易脱落的问题。实验采用高于常规的压力进行样品制备,建立了X射线荧光光谱法(XRF)分析海洋沉积物样品中包括硫、氧化钠、氧化镁、三氧化二铝、二氧化硅、五氧化二磷、氧化钾、氧化钙、二氧化钛、氧化锰、三氧化二铁、钴、镍、铜、锌、钒、铬、镓、铌、锆、钇、锶、铷、铅、钡、镧、钕和铪在内的28种主、微量组分的方法。探讨了压力为300 kN和1 600 kN时的制样效果,并尝试引入BP神经网络模型利用其非线性拟合能力校正主量组分的基体效应。结果表明,采用1 600 kN压力制备的样片,表面致密、光滑、不龟裂和不掉粉,制样重复性和测试精密度也有较大提高。以55个有证标准物质中17种组分的数据集为训练样本,建立了海洋沉积物样品中主、微量组分的遗传算法-BP神经网络预测模型。按照实验方法对各组分含量相对较低的实际样品连续测试12次,计算得方法的检出限在 0.63～634 μg/g之间;精密度试验结果表明,各组分测定值的相对标准偏差(RSD, n=7)为0.16%～25.1%。方法用于海洋沉积物实际样品分析,其分析结果与国标法的测定结果吻合,能够满足海洋沉积物样品中多种组分准确分析的要求。     

BP神经网络在液压试验台故障诊断中的应用

分析了BP神经网络的结构及算法，并对液压试验台的故障模式用BP神经网络来进行诊断，从而提出了一种新的解决液压试验台故障诊断的方法。     

基于动态结构神经网络的自组织模糊控制

给出了一种利用动态结构的BP 神经网络进行模糊推理的方法,即在学习过程中BP网络的隐层层数和维数不断变化,其目的在于使网络性能在训练过程中始终保持最优,从而实现规则自组织,达到在控制过程中不断优化控制性能的目的.     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

醋酸生产工艺选择

介绍醋酸生产的几种工艺路线，将巴斯夫工艺、BP／孟山都工艺及UOP/千代田工艺进行比较，寻找适合我厂的醋酸生产工艺。     

基于改进的BP神经网络入侵检测方法研究

针对遗传算法局部搜索能力弱和收敛速度慢,在选择操作之后加上了禁忌搜索算法,并对交叉操作进行改进,最后用禁忌搜索作为变异操作,从而加快算法的收敛速度,并用此改进的遗传算法来优化BP神经网络的权值。实验证明,采用该方法优化BP神经网络权值,能克服BP神经网络收敛速度慢、局部极小问题。     

运用BP网络分析尿素合成塔CO_2转化率

采用BP神经网络模型预测尿素合成塔CO_2 转化率 ,分析了氨碳比和水碳比与转化率之间的关系。详细介绍了建模过程并对隐含层神经元数和迭代次数对网络性能的影响进行了讨论。分析结果表明 :所建模型能准确地对CO_2 转化率进行预测 ,平均相对误差在 1 0 %以内 ;CO_2 转化率随氨碳比的增大而显著增加 ,水碳比的影响则相对较小。     

基于直方图的水墨画艺术风格研究

基于内容的照片或自然图像分析和检索已经得到广泛的研究,但多数都基于颜色特征,不能直接用于水墨画艺术作品的分析。对图像进行预处理,提出基于灰度直方图描述水墨画笔道力度分布信息及构图风格,并利用神经网络学习水墨画整体技法风格特征,依据此特征进行不同艺术家间的分类。实验结果表明,通过对整体风格特征的提取,直方图模型能够有效表征画家不同的艺术风格,实现了水墨画的自动分类。