基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中。仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性。该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中。

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。

面向轻汽油醚化的BP神经网络的模型预测控制

针对催化裂化轻汽油(Fcc轻汽油)醚化的过程提出了BP神经网络的模型预测控制,通过控制Fcc轻汽油的流速,来实现重油量浓度指标的控制。应用BP神经网络建立该过程的预测模型,并采用迭代优化的控制算法,根据相应的性能指标,不断地修正神经网络的权值,从而整定下一批次的控制信号。通过Matlab里的神经网络工具箱,建立一个有参考模型的神经网络预测控制器,观测最终的实际输出。

采用BP神经网络优化间二硝基苯催化加氢的反应条件

采用BP神经网络对间二硝基苯液相催化加氢制备间苯二胺的反应条件进行优化 .首先利用均匀设计的实验结果 ,采用LM算法对BP神经网络进行训练 .再利用训练好的BP神经网络对各种实验因素水平组合条件下间二硝基苯的转化率和间苯二胺的收率进行预测 .结果表明 ,采用苯作溶剂时 ,间二硝基苯的转化率较高 ;采用乙醇作溶剂时 ,间苯二胺的收率较高 ;当采用乙醇为溶剂 ,催化剂用量为 2 0 % ,反应温度和压力分别为 36 5K和 2 9MPa时反应效果较好 ,间苯二胺的收率高达 95 8% .进一步的实验验证表明 ,用神经网络模型模拟的结果与实验结果基本吻合 .

基于主成分分析及GA-LM的水产养殖环境溶解氧和氨氮含量预测

为了精准预测水产养殖过程中最重要的两个环境参数溶解氧和氨氮,针对预测模型需要解决的有效影响因子确定、预测算法和网络结构优化等问题,将Levenberg-Marquardt(LM)神经网络、遗传算法(genetic algorithm,GA)和主成分分析(PCA)算法相结合,提出一种基于GA-LM-PCA的水产养殖环境溶解氧和氨氮含量预测模型,即采用PCA确定影响因素,实现影响因素的去耦合降维,采用遗传算法对网络结构进行优化,确定合适的隐层节点数目和权值,采用LM训练神经网络,提高神经网络的收敛速度。为了验证GA-LM-PCA的预测效果,将GA-LM-PCA的预测效果与未用PCA方法的GA-LM预测模型进行了试验比较,并探讨了影响因素数量对预测效果的影响。结果表明:用GA-LM-PCA方法预测的溶解氧和氨氮值与实测值吻合较好,平均绝对误差和均方根误差分别为0.0047、1.8727×10^(-4)(溶解氧)和0.0065、9.4287×10^(-4)(氨氮),适用于影响因素数量较多的场合。研究表明,GA-LM-PCA是一种有效的水产养殖环境溶解氧和氨氮预测工具,尤其对于影响因素复杂繁多的非线性系统效果更好。