基于神经网络-模拟退火算法的超高压嫩化河蚌肉的工艺优化

为解决河蚌肉质粗韧,提升河蚌肉品质,利用超高压对河蚌肉进行嫩化处理。采用3-5-1结构的级联BP神经网络,建立了超高压嫩化河蚌肉工艺的预测模型,并采用模拟退火算法对其进行优化,得到超高压嫩化河蚌肉最佳工艺条件。结果表明,训练好的级联BP神经网络具有较好的预测功能,其预测值与实测值之间的相对误差保持在0.26%~8.70%。利用模拟退火算法对压力条件、CaCl_2浓度、保压时间与剪切力之间的非线性关系优化,得到最佳工艺为:压力强度345 MPa,CaCl_2浓度为0.30 mol/L,保压时间为15 min,在这个条件下剪切力为10.54 N。实验室相同条件下的验证实验得到的剪切力为(10.38±0.13)N,该值小于响应曲面设计优化出的最佳工艺条件下的实验验证的剪切力,说明利用模拟退火算法优化级联BP神经网络的预测模型是一种比较有效的优化生产工艺参数的方法。

基于水样类型识别的光谱COD测量方法

基于紫外吸收光谱的COD测量方法,尽管具有快速、实时、免试剂、无污染等优势。但该方法对于组分多变的水样适应性不强,构建的单一计算模型不能适用于所有待测水样类型,导致其在复杂环境下测量准确度较低,从而限制了其应用领域。本研究提出一种基于水样类型识别的测量方法。其过程包括:动态识别水样类型→自动选择相应的"吸光度(Auv)-COD"算法模型→计算COD。该方法有效提高了紫外光谱法COD测量的准确度和适用性。该研究在传统的光谱识别技术的基础上,针对COD实际测量的特点加以改进。选取水样吸光度曲线的形貌特征作为水样类型的表征参数,利用LM-BP神经网络作为识别算法。并引入了"历史数据队列"、"历史识别因子"的概念,在此基础上形成了级联的神经网络结构。该算法实现了COD测量应用中的高准确度的光谱识别,进而提高了复杂环境下COD测量的精度。大量实验测试和结果表明,与传统的光谱识别技术相比,该方法在COD测量应用中具有更好的鲁棒性和准确性。水样类型识别准确率达98%以上。同时算法结构简单,计算量小,适用于资源受限的小型化COD测量仪。当仪器在复杂多变的水环境中进行测量时,采用该算法测量得到的COD精度有显著的提高。该方法的提出为光谱COD测量法在水体组分多变场合的应用及提高其测量精度提供了技术保证,可望解决传统紫外光谱COD测量法难以适应变化和复杂水环境应用的问题。

人工肺-嗅觉系统集成与混合气体识别方法

针对仿人机器人的嗅觉及多种混合气体识别问题,提出一种人工肺-嗅觉系统(HAL&OS-I)及基于主动呼吸的气体识别方法.该系统硬件主要集成了微型真空泵、酒精/硫化氢/氨气/烟雾/甲烷5种气体传感器、单片机以及信号采集与处理电路;分别用K-均值聚类分析法、遗传算法结合神经网络(GA+BP)、三级级联神经网络(GA+3BP)进行了5种单一气体及4种混合气体的识别实验,结果表明:GA+BP算法仅对5种单一气体识别率达到90%以上,加入混合气体后识别率较低;GA+3BP算法除对硫化氢和烟雾的混合气体识别率为70%以外,对其余8种气体识别率均在90%以上,表明GA与多级级联BP神经网络相结合方法对多种单一及混合气体具有较高的识别率.

高压电气节点温度的预测模型

针对已有高压开关柜温度预警系统预测精度不高的问题,分析影响高压开关柜电气节点温升的因素,采用前向级联LM-BP神经网络提升算法运算速度,利用熵权法确定各因素权重,建立了熵权法与前向级联LM-BP神经网络相结合的预测模型。结果表明,所建模型的预测值更接近于真实值,与BP神经网络预测模型相比,预测精度提高约2倍。仿真实验验证了所建模型预测高压开关柜节点温度的有效性。