基于嗅觉可视化技术的眉茶等级分类方法

为了快速、准确地对眉茶等级进行分类,提出了一种基于嗅觉可视化技术的眉茶等级快速分类方法。首先,根据卟啉显色反应预实验结果,选定了12种显色效果明显的卟啉指示剂制备嗅觉可视化传感器阵列,通过该传感器阵列与不同等级的眉茶茶汤进行反应,获取不同的特征图像。然后,对特征图像数据进行主成分分析和降维,将得到的不同维数的主成分分析结果作为输入变量,构建支持向量机(support vector machine,SVM)眉茶等级分类模型。最后,引入3种群体智能优化算法(萤火虫算法、灰狼优化算法、布谷鸟算法)对SVM分类模型的惩罚因子c和核函数参数g进行优化。结果显示:未经优化的SVM分类模型对测试集的分类正确率为80%,所需的主成分个数为12个;经过优化的SVM模型的分类正确率均有所提升,其中经过布谷鸟算法优化的SVM模型对测试集的分类正确率达到了93.3%,且所需的主成分个数减少为6个。这表明应用嗅觉可视化技术能够实现对眉茶等级的分类,而通过群体智能优化算法优化SVM分类模型可以显著增强模型的性能,提高分类正确率。

近红外光谱结合ELM快速检测固态发酵过程参数pH值

pH值是固态发酵过程关键参数之一,为此提出基于近红外光谱技术的秸秆蛋白饲料固态发酵过程参数pH值检测方法。利用近红外光谱系统获取140个固态发酵过程产物样本在10 000～4 000cm-1范围内的近红外光谱数据,通过酸度计测得近红外光谱预测模型的参考测量值;运用ELM算法建立pH值的预测模型,在模型建立过程中由交互验证法确定最佳主成分因子数和ELM网络隐含层节点数。试验结果显示:最佳ELM网络模型的拓扑结构为10-40-1,模型预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.961 8和0.104 4。研究结果可为固态发酵过程参数的在线检测提供技术基础。

基于OC-SVM和近红外光谱的秸秆固态发酵进程监测

利用近红外光谱技术结合一类支持向量机(OC-SVM)快速监测秸秆蛋白饲料固态发酵进程。首先获取发酵物样本在10 000～4 000 cm-1波数范围内的近红外漫反射光谱并对其进行主成分分析,提取前7个主成分因子作为模型的输入变量,然后运用OC-SVM算法建立判别模型。在模型建立过程中,采用交互验证的方法优化OC-SVM模型的相关参数。实验结果表明,在相同的条件下,OC-SVM模型在处理失衡训练样本的问题上明显优于SVM模型,当训练集中目标类和非目标类样本数比为1∶8时,OC-SVM模型在验证集中的正确判别率达到85%。

基于BP-Adaboost的近红外光谱检测固态发酵过程pH值

为了实现固态发酵过程参数pH值的快速检测，提出基于近红外光谱技术的固态发酵过程参数pH值检测新方法．首先获取140个固态发酵过程产物样本在10000～4000cm-1范围内的近红外光谱；然后利用酸度计测得近红外光谱预测模型的参考测量值；最后运用Adaboost（AdaptiveBoosting）算法来构建由10个弱预测器（BP神经网络）组成的BP．Adaboost强预测模型．试验结果显示：该模型的预测均方根误差（RMSEP）和预测集相关系数（R）分别为0．0726和0．981l；与BP模型结果相比，该模型具有较好的预测精度．

基于改进极限学习机的软测量建模方法

针对生物发酵过程中一些生物参量难以测量的问题,提出一种基于改进极限学习机(IELM)的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数,以提高模型的稳定性和预测精度。通过双对角化方法计算出最优的输出权值,解决输出矩阵的病态问题,进一步提高模型的稳定性。将所提方法应用于红霉素发酵过程生物量浓度的软测量。结果表明,与ELM、PL-ELM、IRLS-ELM软测量建模方法相比,IELM在线软测量建模方法具有更高的预测精度和更强的泛化能力。

基于改进PSO-RBFNN的海洋蛋白酶发酵过程软测量

针对海洋蛋白酶(marine protease,MP)发酵过程中某些关键参量难以在线检测,离线测量存在大滞后、易染菌的问题,提出了一种基于改进的粒子群-径向基神经网络(PSO-RBFNN)的MP发酵过程软测量建模方法。首先采用指数下降惯性权重(exponential decreasing inertia weight,EDIW)策略对粒子群算法进行改进,克服了固定惯性权重和自适应惯性权重的粒子群算法易于陷入局部极小,进化后期收敛速度慢以及全局搜索能力弱的缺点;然后,采用改进后的粒子群算法对径向基神经网络连接权值进行在线优化,确定RBFNN拓扑结构;最后,根据MP发酵过程的输入/输出向量构建RBFNN软测量模型。实验仿真结果表明,EDIW策略改进的PSO-RBFNN软测量模型训练时间缩短了40%左右,模型预测精度提高了3%以上。

基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模

针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法(CS)与改进BP神经网络(BPNN)相结合的松茸菌丝生物量软测量建模方法;首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式(附加动量与动态学习率相结合)对权值进行动态修正;仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6%以上,能够实现松茸发酵过程实时在线测量的需求。

基于二次插值教学优化的化工动态参数估计方法

动态参数估计问题的有效求解对于化工过程精确建模具有重要意义。针对动态参数估计问题,通过将二次插值算子引入到教学优化(TLBO)算法来加强其局部搜索能力,提出了二次插值教学优化(TLBO-QI)算法。此外,将TLBO-QI用于3个化工过程动态参数估计问题的求解,并与TLBO、蜂群优化以及粒子群优化进行了对比,计算结果表明了TLBO-QI可以获取精度更好的解。

红霉素发酵关键生化量的动态软测量方法

本文给出基于“内含传感器”逆的动态软测量方法,以解决红霉素发酵过程的关键生化量难以用物理传感器直接测量的问题。首先假定在发酵过程内部,存在一个以不直接可测量为输入、直接可测量为输出的“内含传感器”子系统,并建立其数学模型;然后构造出相应的“内含传感器”的逆系统。由于逆系统的输出就是原来的不直接可测量,这样,把该逆系统串连在原系统之后,就可作为动态软测量模型,实现对不直接可测量的软测量。实验结果证明了该方法的有效性。

一种求解过程动态优化问题的生物地理学习粒子群算法

智能优化算法具有适用性广泛、全局搜索能力强等优点,近年来在动态优化中的应用逐渐增多。通过混合生物地理优化与粒子群优化,提出了生物地理学习粒子群(biogeography-based learning particle swarm optimization,BLPSO)算法,并用于动态优化问题的求解。BLPSO采用了新型的生物地理学习方式,该方式根据粒子"排名",即粒子的优劣,以维度为单位构造学习粒子,提高了学习的效率。针对动态优化问题,首先通过控制向量参数化将其转化为非线性规划问题,然后采用BLPSO算法进行求解。最后,将BLPSO应用于非可微、多峰、多变量等典型动态优化问题的求解,计算结果表明BLPSO具有较好的搜索精度和收敛速度。

基于IBA-LSSVM的光合细菌发酵软测量

针对光合细菌(PSB)发酵过程活菌浓度难以在线检测,离线测量又存在很大延时及易染菌的问题,提出一种基于改进蝙蝠-最小二乘支持向量机(IBA-LSSVM)的软测量建模方法;先对BA的速度更新公式进行改进,且将差分进化算法(DE)的变异机制引入BA,增加了种群多样性,进而提升了BA算法的全局及局部搜索能力,然后构建了活菌浓度的IBA-LSSVM软测量模型,并与BA-LSSVM软测量模型进行对比;仿真结果表明,改进的模型相较于BA-LSSVM模型有着更好的学习能力和预测性能,测量误差为0.135 8,可为光合细菌发酵过程的优化控制提供准确有效的指导,有一定的实际应用价值。

基于神经网络逆的永磁同步电机自适应解耦研究

针对永磁同步电机多变量、非线性、强耦合等特性,提出一种基于神经网络逆的模型参考自适应解耦控制方法。神经网络逆系统与原系统复合成两个伪线性子系统,一个一阶磁链子系统和一个二阶转速子系统。定子电阻随温度变化而变化,进而影响磁链子系统和转速子系统的解耦控制。模型参考自适应控制方法可以通过误差调节来减小定子电阻变化对系统的影响,仿真试验结果表明该控制策略能够在定子电阻发生变化的情况下实现转速与定子磁链之间的动态解耦,并能保证系统的稳定性。

基于小波去噪的神经网络软测量在血糖浓度估计中的应用

由于皮下间隙液葡萄糖的易测性和测量过程中传感器感染血液的低风险性,皮下间隙液一直是血糖监测的首选位置.但皮下间隙液葡萄糖浓度的变化总是滞后于血糖浓度的变化,而且测量过程中会引入噪声,不能准确地估测血糖值,针对这一问题提出了一种基于小波去噪的神经网络软测量方法.该方法先对与血糖相关的一些辅助变量进行去噪处理,然后用来训练神经网络,建立血糖软测量模型.通过对1号、2号成年人采集的仿真数据进行实验,结果表明,运用该方法得到的测量结果比皮下间隙液葡萄糖值具有更小的均方根误差、更好的信噪比、以及更小的测量延时.

siPLS-LASSO的近红外特征波长选择及其应用

近红外技术广泛应用于食品、药品等生产过程和产品质量检测,具有样品无需预处理、成本低、无破坏性、测定速度快等优点。但是,全光谱数据维数高、冗余信息多,直接应用于建模会导致模型复杂性高、稳定性差等问题。siPLS是最常见的光谱数据降维方法,但是难以处理光谱数据的共线性问题。LASSO是一种相对新的数据降维方法,但在小样本应用中具有不稳定性。针对siPLS和LASSO在近红外光谱数据应用中存在的问题,提出了基于siPLS-LASSO的近红外特征波长选择方法,并将其应用于秸秆饲料蛋白固态发酵过程pH值监测。该方法首先采用siPLS算法,实现对光谱波长最佳联合子区间的优选;然后,对优选联合子区间使用LASSO算法进行特征波长选择,在此基础上建立PLS校正模型。同时,将siPLS-LASSO方法与其他传统特征波长选择方法进行了对比。结果表明:建立在siPLS-LASSO方法优选33个特征波长基础上的PLS模型预测结果更好,其预测方差(RMSEP)和相关系数(Rp)分别为0.071 1和0.980 8;所提siPLSLASSO方法有效选取了特征波长,提高了模型预测性能。

基于MIV-PCA的超短期风电功率预测模型优化

为解决基于动态神经网络的超短期风电功率预测方法中预测模型输入变量多、模型复杂等问题,文中将平均影响值(MIU)和主元分析(PCA)方法相结合,对预测模型进行了优化。MIU方法表征了输入变量对输出的影响程度,可筛选出对预测输出具有最大影响的输入变量,简化预测模型,但变量的信息利用率不高。PCA法从剩余的输入变量中提取出主元,通过增加少量的主元变量提高信息利用率,弥补MIU方法的不足。数据分析及实验结果表明,通过MIU和PCA法优化的预测模型的输入变量能在获得较高的累计贡献率的同时降低模型复杂度,保留原系统的重要信息,并降低模型引入噪声的风险,使得风电功率预测精度得到显著提高。

一种神经网络逆系统软仪表的数据预处理方法

为了解决神经网络逆系统软仪表对噪声敏感的问题,本文提出了一种数据预处理方法。该方法先采用两步判断法对数据进行一次处理,再用滑动平均滤波方法对数据进行二次处理,有效地滤除了噪声信号,比较精确地复现了原始信号。对红霉素发酵过程中的pH值过程变量进行了实验,结果表明了该算法的有效性和可行性。

二维力传感器动态补偿器设计

为改善扁环式二维力传感器动态特性以及消除其维间耦合现象严重的问题,提出了用神经网络逆系统方法去构造该二维传感器的动态补偿器,并由此设计了由微分器和静态神经网络构成的神经网络逆动态补偿器.通过对原传感器的数据采集和数据处理得到了静态神经网络的训练样本,用所得到的训练样本对静态神经网络进行了训练,训练后的静态神经网络即可用来和微分器构成所期望的动态补偿器.将该动态补偿器串接在扁环式二维力传感器之后,进而构成复合的测量系统.进一步地仿真实验表明,经过动态补偿器的信号远好于未补偿的原传感器输出信号.由此可见,利用该方法设计的动态补偿器所组成的复合测量系统在消除维间耦合现象的同时、也大大改善了系统的动态特性.

红霉素发酵生化参量的神经网络逆系统软测量方法

为解决红霉素发酵关键生化参量测定中的困难,提出了一种神经网络逆系统测量的方法.基于可测的溶解氧CL,pH值和体积V,通过构造神经网络逆,来得到无法直接测量的菌丝浓度、总糖和化学效价.检验结果表明,应用该方法得到的测量值与实际值比较接近,较好地解决了红霉素发酵过程中的关键生化参量的测量问题,为实施优化控制打下了良好的基础.

微生物发酵过程的神经网络左右逆协同控制方法（英文）

微生物发酵生产过程是一种高度非线性、不确定的系统,发酵过程中很多关键变量难以在线直接测量,严重影响了这些系统的控制和优化,给这些生产过程的产品产量和质量的提高带来了严重的障碍。本文采用右逆控制方法实现对原系统的线性化解耦,采用左逆软测量方法来实现对难以直接测量的关键变量的软测量,并将软测量得到的结果作为右逆控制方法所需要的反馈变量,实现对微生物发酵的控制。这种左右逆协同工作,实现系统控制的方法可称为协同控制方法,所构造的控制器称为左右逆协同控制器。由于微生物发酵过程的强非线性特性,采用神经网络加动态环节(微分器、积分器)的方法来构造上述的左右逆协同控制器。仿真结果表明,这种左右逆协同控制方法能很好地实现对含有不直接可测变量的微生物发酵过程的控制。

多变量发酵过程的神经网络在线解耦控制

为提高多变量系统解耦控制的性能,提出了一种基于参考模型的神经网络在线解耦控制方法.构造神经网络实现前馈解耦,通过参考模型的输出与被控系统输出估计耦合作用对被控量的影响,由此设计神经网络权值参数学习算法,在线调整网络参数使多变量耦合系统实现解耦;对解耦后的子系统分别设计闭环控制器,以达到优良的控制性能.仿真实验结果表明,提出的解耦控制方法是简单有效的.