基于自适应竞争遗传神经网络醋酸乙烯聚合率软测量建模

神经网络具有很强的自组织、自适应和自学习的能力,具有大规模并行运算的能力;但权值和阈值的初始化是随机的,容易陷入局部极小,收敛速度慢;遗传算法具有良好的全局搜索性能,减少了限于局部最优解的风险,鲁棒性强,适用于并行处理,搜索不依赖于梯度信息,但不适合候选解的精调,标准遗传算法交叉率和变异率固定等缺陷;应用自适应竞争遗传神经网络醋酸乙烯聚合率软测量建模,采用保优竞争策略,使两者达到优势互补,取长补短的作用;仿真显示在有限代即可得到较优的结果,网络预测时间短,精度高,符合醋酸乙烯聚合率测量工程要求。

基于BP网络的醋酸乙烯聚合率软测量研究

针对目前聚乙烯醇生产过程中醋酸乙烯(VAC)聚合率难以在线检测的情况,选取引发剂添加率、甲醇配比、聚合温度、VAC活性度作为辅助变量,VAC聚合率作为主导变量,用BP神经网络来拟合它们之间的非线性关系。给出了基于BP神经网络的醋酸乙烯聚合率的软测量建模方法。并调用Matlab神经网络工具箱,对采集的现场实测数据样本进行训练、仿真。结果证明基于BP神经网络的醋酸乙烯软测量模型是准确有效的。

自适应竞争遗传算法研究

遗传算法具有良好的全局搜索性能,鲁棒性强,适用于并行处理,但标准的遗传算法(SGA)收敛速度太慢,交叉率和变异率固定等缺陷,对提高控制系统的响应速度和控制精度不利,严重影响到遗传算法实际应用。文章主要研究了基于自适应竞争的遗传算法,采用保优竞争策略,仿真显示该算法的有效性。

基于BP神经网络的列车制动控制仿真研究

针对列车制动过程存在的复杂性、非线性、时变性、不确定性等因素,通过分析影响建立BP神经网络模型的主要因素,建立了用于列车制动控制的BP神经网络模型。以货物列车为仿真对象,在Matlab环境中进行了仿真研究。仿真结果表明,该方法控制安全性好、停车误差小,基于BP神经网络的智能算法运用于列车制动控制是可行的。