数据挖掘技术在松花江水质预测中的应用

为更好地实现松花江水质预测,对水质的科学管理起到指导作用,应用人工神经网络技术（ANN,ArtificalNeuralNetworts）,利用松花江四方台监测站某连续3年水质数据,建立水质预测模型,实现对松花江主要污染指标CODmn的预测．为保证预测模型具有较高的预测精度,将数据按月分期,应用聚类分析法对数据进行处理,...     

煤层裂隙探测的地震波形分类技术研究

研究了煤层裂隙探测的地震波形分类技术原理,即根据地震资料,在一定时窗范围内统计地震波的几何形状、频率、能量变化快慢及各种地震属性,从而在剖面上和平面上划分各种地震属性特征总和相近的区域,通过钻孔和已知裂隙资料的标定,探测煤层裂隙.利用地震波形分类技术对淮南潘三矿煤层裂隙的探测结果表明,这种方法行之有效,可以为矿井瓦斯危险性预测提供科学依据.     

酵母发酵生产谷胱甘肽过程参数的在线软测量

针对酵母发酵生产谷胱甘肽发酵过程中乙醇浓度难以在线准确测量的问题,讨论利用人工神经网络,构建一个具有2×6×1结构的“软传感器”。经检验,它能很好地实现在线状态估计和提前一步预测乙醇浓度。该方法也有利于实现发酵过程的在线控制。     

模式神经元网络的聚类方法研究

为了更好地模拟人脑对事物的学习、认知过程,笔者提出了模式神经元网络的聚类规则和方法,从而完善了这种新型的神经网络模型。与现有的人工神经网络不同,模式神经元网络不需要反复迭代就能达到学习、识别、分类的效果。实验结果表明：与自适应共振理论相比,模式神经元网络的学习效率快,识别精度高,分类效果也比较好。     

信息融合技术在模式识别中的应用*

对信息融合技术在模式识别领域中的主要方法及其应用进行了总结、分析和比较,并提出了以免疫算法作为信息融合算法的新思路。     

人工神经网络在预测热舒适性指标中的应用

热舒适性指标与各个影响因素之间存在复杂的非线性的关系,而人工神经网络能够反映这种非线性的映射关系,因此通过人工神经网络可以实现热舒适性指标的计算及预测。首先对热舒适性指标做了一个简单的介绍,并以Fanger公式计算出热舒适性指标的期望输出值,然后分别介绍了BP网络、GA-BP网络、RBF网络及Elman网路的算法及结构,并建立热舒适性指标预测模型,对4种神经网络在预测中的性能给予定性与定量的分析。结果表明,在预测热舒适性指标方面,基于GA-BP神经网络性能要优于其他神经网络,具有更高的精度和适应能力,能够较好的满足将其应用于空调系统的控制器中对其进行实时控制。     

浅谈主成分分析与神经网络在物流中心选址中的应用

物流中心的选址在整个物流系统规划中有着十分重要的地位,需要决策方综合考虑多种因素.传统的选址方法及选址模型存在种种局限,决策方很少考虑各因素之间的相互影响性.本文在物流选址中引进主成分分析方法来消除各因素间的相关性,并结合神经网络方法,在解决非线性系统的物流中心选址问题中显示了较高的精度和效率.     

影响咖啡因提取率的参数及工艺优化研究

为得到影响咖啡因提取率与提取参数间的统计关系式,研究了浸提时间、液料比、溶剂酸碱度和浸提温度对提取效果的影响,采用了高斯-牛顿法分别就影响因子和咖啡因提取率进行非线性最小二乘数据拟合,得到了各影响因子与咖啡因提取率之间的定量关系式.利用正交试验对提取咖啡因的工艺条件进行了优化,并得到相应的回归方程.基于正交实验数据建立了人工神经网络模型,该模型的优化结果为提取温度100 ℃,提取时间115 min,液料比41:1,pH=4.5.实验证明,人工神经网络得出的结果(提取率η=5.25%)优于正交实验(η=5.18%).     

基于振动信号测量的连铸下渣检测系统

为了解决当前连铸下渣检测系统成本高、使用寿命短且难于安装维护等问题,提出了一种基于振动信号测量的下渣检测系统实现方法.通过分析连续下渣过程,根据钢水、钢渣因相对密度不同而产生的冲击振动差异判断下渣时间点.结合嵌入式系统技术,搭建了传感器远离钢水的下渣检测实验平台,有效地提高了系统使用寿命.利用自主设计的嵌入式实时数据采集系统进行数据采样与特征信号提取,通过人工神经网络（ANN）技术对经过预处理的实时信号进行训练与识别,进而判断钢水状态,并结合相关控制策略实现连铸下渣的自动控制.实验结果表明,该方法成本低,对现在有设备改造小,使用寿命长,下渣检出率在96％以上.     

基于人工神经网络理论的传感器数据证实方法

传感器在物理量测量中占据着举足轻重的地位，它的输出数据的正确与否直接影响到人们对被测量的认识。在对人工神经网络分析的基础上，提出一种基于人工神经网络理论的传感器数据证实方法，对具有关联关系的传感器输出进行证实，并用齿轮试验台进行仿真实验。