二(4-氨基苯甲酸)(1,10-邻菲罗啉)锌(Ⅱ)配合物的合成及晶体结构

合成了三元配合物[Zn(O2CC6H4NH2-p)2(1,10-phen)2].5H2O,通过元素分析、红外光谱对其结构进行了表征.用X-射线单晶衍射测定了该化合物的晶体和分子结构.化合物晶体为单斜晶系,空间群C2/c,a=4.35388(12)nm,b=1.17929(15)nm,c=3.07912(11)nm,β=134.9520(11)o,V=11.1885(15)nm3,Z=16,F(000)=5056,Dc=1.444Mg/m3,μ=0.936 mm-1,S=1.000,Zn原子为畸变的八面体构型.

基于ARM内核的生物发酵温度PID-NN控制系统

采用基于ARM内核的嵌入式系统开发了生物发酵温度控制系统。软件设计中移植了μC/OS-Ⅱ实时操作系统,采用多任务程序设计方法设计,大大降低了编写程序的复杂度。针对生物发酵过程中温度的时变性、非线性、随机性等特点,提出了一种基于神经网络与PID相结合的PID-NN控制算法,在一定程度上解决了传统PID不易在线实时整定参数,难于对控制系统进行有效控制的不足。实验结果表明,系统设计可靠,满足发酵过程对控温精度的要求。

基于随机隐含层权值神经网络的瓦斯浓度预测

煤矿的安全生产一直是人们重点研究的课题之一。在众多的煤矿开采安全事故中,瓦斯引起的事故占到了大多数。对井下生产线的瓦斯浓度进行实时准确的预测,提前预知生产环境是否处于安全状态,对煤矿的安全生产来说意义重大。针对这一问题,提出了一种基于NSGA-II训练的随机隐含层神经网络(BNSGA-II NN)来进行瓦斯浓度预测的方法。一方面,NSGA-II需要设定的参数少,使用较为简单;另一方面,NSGA-II中的交叉变异机制避免了陷入局部最优解。为了证明NSGA-II训练的随机隐含权值神经网络的预测质量,通过实验与PSOGSA训练的随机隐含层神经网络(PSOGSA NN)进行了对比。实验结果表明,BNSGA-II NN的预测质量明显高于PSOGSA NN的预测质量。

ART-II型神经网络的参数自适应方法

由文献[2]提出的ART-Ⅱ模型可处理任意序列的辨识问题,但其未涉及网络的动态过程和自稳定区域的研究,只是人工设置不同的ρ值得到仿真结果。本文在深入研究ART-Ⅱ动态反馈机理的基础上,引入了吸引域、自稳定性、聚点等概念,提出了ρ值自适应算法。这一新的机制可以并行搜索和不断地适应外界环境的变化,使得ρ自适应的ART-Ⅱ模型有一定的纠错、容错记忆能力,又有一定的敏感性,克服了原模型ρ值固定时错误记忆的弊病。(由改进型ART-Ⅱ神经网和数据采集、推理机制结合形成一完整智能系统,实现通信系统的多频信号接收处理。系统试验结果表明具有良好的识别效果。