基于遗传神经网络的电站锅炉飞灰含碳量预测

针对锅炉飞灰含碳置影响因素复杂．实时测量难度大．精度低，提出了一种基于遗传神经网络的预测方法，并用于某电厂，结果表明，该方法是有效的。     

广义频率响应函数的鲁棒建模新方法

针对基于非线性谱分析的故障诊断技术的需要,研究了非线性系统的广义频率响应函数的鲁棒在线建模方 法。首先将次元分析算法应用于Volterra级数模型的辨识,并通过对此算法的修正,得到了一种改进的Volterra系统的鲁 棒辨识算法。对其鲁棒性能进行的分析表明,改进算法的鲁棒抗噪性能被明显提高。在此基础上,提出了一种广义频率响 应函数的两步鲁棒建模新方法。仿真实验表明,该方法具有良好的鲁棒收敛性能,能够有效解决GFRF的在线建模问题。     

氨合成塔温度的预测自动化控制及优化

目前国内对于氨合成塔温度控制多采用PID控制、串级控制、前馈一反馈控制等方法，这些方法虽然实现简单，但难以克服氨合成塔温度控制中的大延时、强干扰和各段间强烈耦合等特性带来的不利影响，控制效果不佳，因此，决定在氨合成塔温度控制中采用广义预测控制策略设计多路前馈广义预测控制器。     

基于结构的拟神经网络建模与优化方法研究

提出一种基于系统结构的拟神经网络建模与优化原理及拓扑结构.与传统的人工神经网络建模方法不同,该方法在建立系统模型时充分利用所研究对象的已有知识,使所建网络模型的权值具有明确的物理意义.通过对其网络权值的调整,同时实现了非线性系统的结构参数优化.以直动式溢流阀为例,验证了该方法的可行性和有效性,为非线性系统建模和优化提供了一个新的方法.     

多层神经网络学习算法的研究

本文对多层神经网络的反向传播算法作了简要的分析和讨论,据此提出了一种新的学习算法用以消除多层网络的“迟钝状态”。实验结果表明,这种新算法能够加速学习收敛速度并避免陷入局部极小。     

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法---级联算法（Cascade Correlation Algorithm,简称CC算法）及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。     

民族文化的回归

时代的进步、民族文化的流失亟待我们去解决。我们呼吁民族意识的回归，寻求传统服饰文化的发展。     

改进的BP神经网络在电子器件可靠性参数预测中的应用

提出一种基于BP神经网络的电子器件可靠性参数预测的新方法。以具体实验数据为例,以MATLAB中的神经网络工具箱为工具,采用了改进的BP神经网络,并对其设计方案进行了详细的分析说明,发现动量参数和学习率对训练次数的影响都很小;采用双隐含层比单隐含层训练更稳定,收敛的也更快速,同时给出了理想的学习方案。最后通过实验验证了该方法的有效性。     

基于动态神经网络的柴油机建模研究

针对全柴推进系统仿真中主柴油机输出扭矩的预测问题，分析了输出扭矩的影响因素，在实验室试车台记录数据的基础上，利用小波分析方法对带噪声的原始信号进行预处理，运用Elman动态递归神经网络建立了用于柴油机输出扭矩预测的控制模型。