焦炉加热复合智能控制系统的研究与应用

 焦炉是具有大时滞、强非线性、多变量耦合、变参数的复杂对象。直行温度受多种因素的影响,传统的控制方法难以满足焦炉加热控制的要求。提出了间歇加热控制与加热煤气流量调节相结合的控制原理,利用模糊控制、神经网络等智能控制方法建立了焦炉加热的智能控制策略和模型。该控制策略采用一前馈、二反馈和智能控制相结合。根据焦化机理建立焦炉供热量前馈模型,并提出结焦指数CI反馈模型控制焦炉的炼焦过程。基于线性回归和RBF神经网络构建火道软测量模型,为控制建立温度反馈环节。智能控制方法用于调节停止加热时间和加热煤气流量。最后研究开发了焦炉加热的复合智能控制系统。实际运行结果表明：该系统能够实现焦炉加热的智能控制,稳定了焦炉生产,有效地提高了焦炭质量和降低了能耗,具有很好的实用价值。     

改进的BP算法在中小型高炉炉温预测上的应用

本研究应用人工神经网络方法对高炉炉温进行预测,确定了三层前向网络结构。针对基于梯度下降法的BP网络存在的学习效率低、收敛速度慢、易陷于局部极小状态、网络的泛化及适应能力较差等缺陷,采用了附加动量法及自适应学习率、合理选择激励函数等策略对算法中的缺陷给出了改进措施,取得了较好的应用效果。     

一种新的TOC含量拟合方法研究与应用

由于取样的限制,通常在烃源岩评价中往往只能获得十分有限的实测烃源岩的TOC含量数据。但随着我国多数盆地精细勘探的深入,需要更加精细的烃源岩评价,因此,人们对测井数据拟合烃源岩的TOC含量变化越来越重视。目前该技术最先进的是人工神经网络拟合方法,但多种神经网络在拟合高成熟度碳酸盐岩烃源岩地层的TOC含量时相关性均不够高。针对研究区内烃源岩的特点,尝试了一种用图版分类-模糊排队-BP神经网络联合拟合TOC含量的新方法。利用该方法对鄂尔多斯盆地马家沟组的测井资料和实测总有机碳资料进行数据处理,将结果与ΔlogR方法、模糊神经网络方法的结果相比较,证实该方法的结果与实测值有更好的相关性,为系统了解鄂尔多斯盆地下古生界烃源岩发育提供了一定的科学依据。     

基于神经动力学的非完整移动机器人跟踪控制

主要研究了非完整移动机器人轨迹跟踪问题。基于后退控制和神经动力学生物激励模型,采用自适应参数调节的方法提出了一种新的跟踪控制器。该控制器能够生成平稳合理的速度,解决了以往大部分跟踪控制器所产生的速度突变问题,并且具有很好的鲁棒性。运用李雅普诺夫稳定性理论证明控制系统的稳定性。对连续、离散轨迹的仿真及与传统后退方法的比较分析验证了该方法的有效性。     

基于卷积与稀疏编码的半监督学习方法

卷积神经网络(CNN)在半监督学习中取得了良好的成绩,其在训练阶段既利用有标记样本,也利用无标记样本帮助规范化学习模型。为进一步加强半监督模型的特征学习能力,提高其在图像分类时的性能表现,本文提出一种联合深度半监督卷积神经网络和字典学习的端到端半监督学习方法,称为Semi-supervised Learning based on Sparse Coding and Convolution(SSSConv);该算法框架旨在学习到鉴别性更强的图像特征表示。SSSConv首先利用CNN提取特征,并对所提取特征进行正交投影变换,下一步通过学习其稀疏编码的低维嵌入以得到图像的特征表示,最后据此进行分类。整个模型框架可进行端到端的半监督学习训练,CNN提取特征部分和稀疏编码字典学习部分具有统一的损失函数,目标一致。本文利用共轭梯度下降算法、链式法则和反向传播等算法对目标函数的参数进行优化,将稀疏编码的相关参数约束于流形上,CNN参数既可定义在欧氏空间,也可以进一步定义在正交空间中。基于半监督分类任务的实验结果验证了所提出SSSConv框架的有效性,与现有方法相比具有较强的竞争力。     

融合CNN与交互特征的多标签图像分类方法

图像在日常生活中广泛存在,图像分类具有重要的现实意义。针对当前多标签图像分类中因神经网络模型复杂以及提取到的图像特征信息不足而导致分类准确率较低、计算复杂度高等问题,提出一种融合卷积神经网络与交互特征的多标签分类方法,即MLCNN-IF模型。MLCNN-IF模型主要分成2步,首先参考传统CNN基本结构搭建一个仅有9层的轻量级神经网络(MLCNN),用于处理图像数据并提取特征;其次基于MLCNN提取的特征,通过交互特征方法产生各独立特征的组合特征,以此获得新的更丰富的特征集。实验结果表明,MLCNN-IF模型对比Alex Net、Goog Le Net和VGG16在4种多标签图像数据集上取得了更好的分类结果,其准确率和精准率分别平均提高9%和4.8%;同时MLCNN网络结构相对更简洁,有效降低了模型参数量和时间复杂度。     

用RBF神经网络预测材料力学性能的研究

由于径向基函数(RBF)神经网络有易学,动态仿真性强,较强的输入输出映射功能和全局最优逼近的结构特点,因此将之用于预测麦杆增强复合板材力学性能。高斯函数表示形式简单,径向对称,光滑性好和解析性好,所以模型采用高斯函数作为隐含层基函数,k均值聚类法确定径向基函数的参数,运用最小二乘法确定权值。结合影响复合板材力学性能因素的特点和变化规律,以成型温度、成型压力、纤维含量、保温时间、拉伸强度、冲击韧性等为对象建立预测复合板材力学性能的模型,用它来优化模压成型的工艺参数,找出最佳工艺参数的范围。结果表明,径向基函数神经网络具有较好的学习和泛化能力,在预测力学性能中效果较好。     

基于模糊自适应谐振网的多源遥感图像融合方法

介绍模糊自适应谐振网在多源遥感图像融合的应用.详细分析模糊自适应谐振网聚类算法的步骤和特点,并比较模糊自适应谐振网和一般模糊极小-极大网的差异.实验证明模糊自适应谐振网的自适应稳定性佳,其聚类速度优于一般模糊极小-极大网,而一般模糊极小-极大网聚类精度较好,对训练区域的依赖性较强.     

抑郁症智能诊断专家系统的设计

随着生活节奏加快,竞争压力增大,抑郁症已成为一种常见的心理障碍,其发病机理目前尚不是十分清楚,医学界没有严格统一的诊断标准;基于具有动态结构的BP神经网络,利用VC 设计开发了一套抑郁症智能诊断系统;该系统具有良好的灵活性和开放性,用户可以根据实际需要自行调整网络层数、节点数以及学习收敛误差等参数;采用批量BP算法,提高了学习效率和逼近能力;测试结果表明,该系统具有良好的分类效果,可以用于抑郁症的辅助诊断和治疗.     

一种基于细胞神经网络的视频运动对象分割的研究

针对目前大多数视频分割算法难以满足实时性要求的缺点,本文将具有很强并行处理能力并具有集成特性的CNN细胞神经网络应用到视频对象分割当中,提出了一种基于细胞神经网络的视频运动对象分割算法,并通过仿真实验验证了其可行性.