基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。

基于主成分分析和Softmax回归模型的人脸识别方法

文章介绍一种基于主成分分析(principal component analysis,PCA)和Softmax回归模型相结合的人脸识别方法,该方法通过PCA对整幅图像提取特征,然后将提取的特征经过非线性变换输入到Softmax回归模型中。将主成分提取特征看成是单层神经网络,将它与Softmax回归模型构成的级联结构看作是2层神经网络,在神经网络的训练过程中,主成分的特征向量可以微调。在不同人脸数据库上的实验表明,相比于传统的只用PCA降维的方法,本文方法可达到较高的识别率。

基于修正组合模型的包头市用水量预测分析

【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。

基于BP神经网络的堆积状不同品种茶叶识别研究

提出了一种对于堆积状不同品种茶叶的快速无损检测方法.所检测茶叶为自然颗粒堆积状,通过彩色相机拍摄茶叶彩色图像,经过图像预处理和灰度共生矩阵分析,获得茶叶纹理特征,经主成分分析后,得到3个特征参量作为BP神经网络模型的输入,建立模式识别模型.结果表明,该方法对于未知32个预测样本的识别率达到93.8%,实现了茶叶品种的无损快速检测,提高了茶叶在生产、加工、贸易过程中品种识别的准确性.

选择性激光烧结强度的研究

选择性激光烧结(selective laser sintering,SLS)强度预测具有多参数、非线形的特点,采用传统的预测方法准确性较低.用神经网络方法,在试验基础上,建立了加工工艺参数与烧结强度之间的神经网络预测模型,并分析了加工工艺参数对烧结强度的影响.试验结果表明该模型能定量地反映加工工艺参数与烧结强度之间的关系.

铜陵凤凰山铜矿区多源信息综合集成成矿预测模型探讨

在研究凤凰山铜矿区成矿地质背景和成矿作用过程的基础上,运用历史分析和动力分析的综合分析方法,结合现代成矿预测理论,提取了本区多元地学信息综合集成的成矿预测信息,并利用具有较强的非线性拟合功能的BP人工神经网络模型,探讨建立了本区多元信息综合集成的成矿预测模型。

重构神经网络模型及开关磁阻电机恒转矩控制

针对开关磁阻电机(SRM)难以准确建模及计算恒转矩下的控制电流而导致的转矩脉动过大的问题,构建一种新的转矩-电流神经网络模型用于得到恒转矩下的控制电流。在新神经网络中,针对SRM转矩-电流特有的强非线性特性,设计能够描述SRM电流基本变化规律的新型激励函数,使神经网络结构更接近SRM的本质特性,有利于加快建模速度,提高建模精度。所重构神经网络模型通过在线学习计算恒转矩下对应的控制电流对SRM进行控制,实现转矩脉动的有效抑制。仿真结果表明,与通用神经网络相比,提出的重构神经网络模型能更好地描述SRM的强非线性特性,得到恒转矩下对应的控制电流,有效地抑制转矩脉动。

通用前馈网络及排序学习前向掩蔽模型在模式识别中的应用

本文讨论了不分层的通用前馈网络（GFFN），并提出了一种作为模式分类器的排序学习前向掩蔽（SLAM）模型及其算法实验结果表明，这种网络作为模式分类器用时，学习时间远小于各种改进的BP网络而且所需使用的神经元数量也有显著的减少本文还介绍了这种SLAM模型在应用双阈值神经元DTN时进一步减少神经元数量的实验结果及其网络结构和学习算法，以及这种模型的模式分类器所具有的不断扩展与改善的能力论文还介绍了SLAM模型模式分类器在CASSANDRA-I小型神经计算机上实现的实验结果：在256维输入空间1024个随机样本的分类情况，学习时间约3小时20分，判别时间为0．007秒．

基于脸部检测和Fuzzy ART的乘客检测算法

研究了小汽车内的乘客检测和计数的方法,提出了一种基于脸部检测和Fuzzy ART神经网络的算法.采用光照校正、基于亮度补偿的椭圆肤色模型检测算法和数学形态方法以分割汽车内部的人脸区域和背景区域,使用Fuzzy ART神经网络分类器对脸部区域进行计数.在正常白天天气和光照条件下,该算法能够有效地检测出运动车辆中乘客的数量.

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-S模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T-S模糊神经网络的最优参数配置,从而能发挥T-S模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-S模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。

基于卷积神经网络的水面火焰倒影滤波方法

为了解决由于水面火焰倒影等区域与火焰特征相似,在水面火焰检测中分割火焰区域时,容易将火焰倒影等区域识别为火焰区域,尤其是当火焰亮度高时,YCbCr空间火焰识别模型可能将较多的火焰亮度高的区域误判为非火焰区域的问题,提出了一种水面火焰识别方法.利用卷积神经网络来判断图片中是否含有火焰,再根据火焰经水面反射、折射后在水中的倒影与火焰区域的亮度差,结合YCbCr空间模型,将火焰区域分割出来.试验结果证明:这种水面火焰识别方法可以判断图像中是否含有火焰图像,能够有效过滤火焰倒影等区域,较为精准地提取出火焰区域;同时可以解决火焰亮度高时,YCbCr空间模型识别火焰区域时存在较大空洞的问题.

大脑局部电位信号与呼吸的关系模型研究

由于脑电波信号由无数神经放电构成,使得研究大脑与生理动作刺激之间的关系极具挑战性。根据脑电波与呼吸之间的机理特征,该文采用小波变换分解并重构了局部电位信号的主要成分,采用主成份方法分析了与呼吸相关的脑电波主要成分,分析了子波段与呼吸的强弱关联关系与周期性关系。引入径向基函数神经网络方法辨识了脑系统的呼吸与局部电位信号关系模型。

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。

IQPSO神经网络算法及在发酵过程建模的应用

由于BP神经网络存在训练时间长、易陷入局部极小点问题,本文将IQPSO与BP算法相结合,给出了其用于建立青霉素浓度的预估模型。用青霉素发酵数据集对模型进行训练与检验。实验表明,该发酵过程模型训练误差小、学习速度快、泛化能力强、预测精度高、可以实现多步预估。

建筑电能耗无线监测平台设计

提出了一种基于Wi-Fi技术的楼宇无线监测与管理系统。通过改进Levenberg-Marquardt训练算法的BP神经网络对建筑电能耗进行建模,采用LabVIEW开发平台,设计良好的人机交换界面,实时监测楼宇电能四项分类能耗,同时通过能耗模型对电能耗进行预测,为楼宇的运行管理提供用能定额方案和科学依据。通过测试及分析,结果显示能耗模型预测精度高、稳定,整个系统运行良好、实时性强。

污水处理过程COD指标集成软测量模型

针对污水处理过程中水质参数COD指标难以在线检测的问题,提出一种基于分布式改进BP神经网络和灰色预测的COD指标集成软测量模型。为反映污水处理过程的不同工况,采用满意聚类算法对数据样本进行聚类处理,将数据样本划分为若干个子样本集,利用改进BP神经网络方法分别为每个子样本集建立预测模型,计算当前输入数据与各个聚类中心的欧式距离,将欧式距离较小的部分预测模型的输出进行综合,得到分布式神经网络的COD指标预估值;为反映COD指标的时间相关性,基于COD指标历史数据采用改进灰色预测建模方法计算得到当前时刻COD指标的预估值;采用动态加权方法将获得两个COD指标预估值进行加权集成。仿真实验表明,集成软测量模型具有较好的预测性能,可以满足污水处理过程COD指标实时检测的精度要求。

基于迁移学习的裂解炉产率建模

乙烯裂解炉通常以石油分馏产品为原料,并在高温条件下使长链分子的烃断裂成各种短链的气态烃和少量液态烃,从而获得乙烯、丙烯等烯烃及其他产品。建立这些主要产品的产率模型对裂解炉的先进控制、操作优化等任务在理论和实际上都具有重要意义。尽管在不同裂解原料、不同炉型的裂解炉状况下产品收率均存在差异,但由于裂解炉运行具有半连续性、周期性特征,裂解温度、停留时间及烃分压等因素对裂解产率的影响具有共性,因此为减小建模过程中典型样本采集等成本,有效利用历史数据提高建模精度,有效利用这些不同运行过程中存在的相似性,辅以迁移学习算法实现不同工况下裂解产率的快速建模。相比较以前的研究,此建模方法在少量新数据的情况下充分挖掘了历史数据中包含的信息。最后,以某乙烯厂为研究实例进行裂解产率建模,结果显示能够获得较好的产率预测精度,验证了该建模方法的有效性。

基于模型预测控制的储能平抑光伏波动的控制策略

提出了利用模型预测控制的方法平抑光伏发电波动的策略。首先,利用小波神经网络预测模型对光伏发电输出进行预测;其次,选取平抑波动和减缓储能寿命衰减为优化指标,利用线性加权和法建立优化目标函数,并用遗传算法求解目标函数的最优解;再次,根据最优解和实际值的误差进行反馈,对预测信息进行修正,并对目标函数滚动优化。最后,采用某光伏电站的信息验证了所提方法的有效性,并对储能出力进行分析,得出了适用于平抑光伏出力波动的储能容量。

大型煤炭企业煤质分析全过程信息化研究

针对大型煤炭企业的特点,分析煤质分析全过程业务流程,提出了一种基于B/S的四层体系架构实现煤质分析全过程信息化。从煤层煤样煤质基础数据录入、工作面煤质数据图形化显示到毛煤及商品煤的煤质月度分析文档生成,各个阶段对煤质进行分析。并采用多元线性回归与RBF神经网络相结合的方法有效的提高了传统煤质预测的准确性,为大型煤炭企业煤质信息化建设提供了有效的解决方案。

基于人工智能技术的变压器短期过载能力评估系统

介绍一个专用电力变压器在线监测评估系统。该系统建立了各种结构、不同冷却方式的电力变压器的特征参数库,分析了变压器内温度场分布的特点,各种变压器绕组热点计算模型,全面在线监测并建立变压器的运行参数历史资料库。应用人工神经网络进行数据处理,能够实时向调度人员提供变压器的短期过负荷能力。应急情况下,预测过负荷一定时间后变压器的绕组热点温度、设备安全及变压器的寿命损失等,为高峰过载调度决策提供科学的数据支持。