基于模糊c均值聚类的多模型软测量建模

根据几个模型相加可提高模型的预测精度及鲁棒性的思想,提出了一种非线性软测量建模的新方法。即先用模糊ｃ均值聚类将训练集分成具有不同聚类中心的子集,每一子集用ＲＢＦ网络或部分最小二乘法进行训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果,此算法通过一个复杂非线性函数的仿真建模和一个分馏塔柴油倾点软测量建模的工业实例研究,结果表明比其它算法具有更好的泛化结果和预报精度,具有     

连续催化重整反应器结焦含量软测量

对连续催化重整反应器结焦含量软测量问题进行了研究。首先从工艺机理分析出发,找出了影响结焦含量的主要参数,初步确定软测量建模辅助变量,并采用BP算法进行神经网络,建立结焦含量软测量模型。然后采用PLS－BP算法重新认识,得到新的结焦含量软测量模型,以改进模型结构。最后对模型校正后在现场使用,结果表明测量结果令人满意。     

基于多模型模糊核聚类方法的污水处理过程软测量建模

针对污水处理过程高度非线性及强耦合性的特点,基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出了一种基于 模糊核聚类的多最小二乘支持向量机的软测量建模方法。该方法根据不同工况使用模糊核聚类算法对输入数据进行聚类划分,针对 每个聚类子集用最小二乘支持向量机方法建立子模型,最终通过子模型切换策略得到系统输出。在污水处理过程仿真平台展开验证 工作,对生化需氧量BOD的软测量进行建模,获得了良好的实验结果。     

一种基于高斯过程的非线性PLS建模方法

提出了一种基于高斯过程(GP)和偏最小二乘法(PLS)的非线性PLS方法(GP-PLS),以更加有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度。该方法首先采用PLS进行特征提取,再用GP建立PLS的内部模型,因而具有GP与PLS的优点。对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明,采用该方法建立的软测量模型在模型精度、推广能力等方面明显优于一些传统软测量建模方法,满足工业现场应用要求。     

非线性同伦LM算法及在软测量建模中的应用

综合同伦方法与Levenberg-Marquardt(LM)优化方法,提出了一种新型非线性同伦LM神经网络学习算法以改善现有神经网络学习算法的学习效率,分析了不同类型的过渡函数对神经网络泛化性能的影响.该算法具有稳定性强、收敛性能好的特点.结合工业过程实际要求,将提出的改进算法用于丙烯腈收率神经网络软测量建模并与几种常见建模方法比较,结果表明:基于改进算法的软测量模型具有更高的测量精度和更好的泛化性能,满足现场测量要求.     

基于多神经网络模型的酯化反应软测量

对模糊C-均值聚类算法加以改进，将系统输入数据进行模糊划分，分成具有几个不同聚类中心的子集；继而引入到多模型建模过程中，针对每个子集建立相应的径向基函数(RBF)网络模型。而全局模型则由各个子模型的输出加权组合。最后通过对聚合釜反应器软测量建模的研究，表明该方法具有拟合精度高和泛化能力强的特点，验证了此多模型建模方法的有效性和快速性。     

基于核函数主元分析的软测量建模方法及应用

提出了基于核函数主元分析(PCA)方法提取变量的特征信息以有效处理非线性数据，并在此基础上进行软测量建模的方法。利用该方法建立了工业萘初馏塔酚油含萘量软测量模型，工业应用结果表明了该方法的有效性和优越性。     

基于神经网络的非线性观测器及其应用

提出了一种基于神经网络的非线性观测器，用于青霉素发酵过程的状态估计，仿真研究获得了满意的结果。观测器的输出与离线测量数据拟合较好，证明了该方法的实用性，为建模困难的生化过程的状态估计提供了可能。     

聚丙烯腈质量指标软测量模型的数据动态校核

针对聚丙烯腈连续生产中聚合反应过程与时间存在的分布函数关系,将质量指标软测量模型的输入数据按照聚合时间进行加权处理,对质量指标软测量模型的输出值－估计结果进行滑动平衡。现场生产运行结果表明,经过动态校核的输入输出数据,软测量精度大大提高,估计结果稳定,为其他聚合反应测量模型的数据动态校核提供了一种有效的方法。     

基于人工生命的优化方法及应用

将人工生命科学引入优化问题的处理中,通过对"生命游戏"这一特殊元胞机制的研究,并结合遗传算法(GA),建立了基于GA的元胞自动机优化模型.将该方法用于常用测试函数优化问题的求解,仿真结果表明所提出的新方法具有良好的性能.把基于GA的元胞自动机优化方法和BP神经网络相结合,用于丙烯腈收率软测量建模.结果表明:基于此方法的软测量模型精度高、性能较好,具有应用前景.     

X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点，设计了图像去噪、增强的算法；针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素，在去除焊缝背景情况下，设计了动态划分焊缝区域算法，利用局域阈值法分割提取出对比度不均的缺陷；通过对焊缝缺陷特征分析，选取缺陷识别的特征参数；建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明，图像预处理和缺陷提取是成功的，提出的识别算法能够提高介于模糊边界模式分类时的识别率，对焊缝缺陷识别的效果优于分类识别法。     

基于神经网络的显微高光谱乳腺癌组织图像研究

目的 探索神经网络结合显微高光谱成像识别乳腺癌组织的可行性和应用价值。方法 采用显微高光谱成像技术采集乳腺癌组织的图像数据,使用基于神经网络的显微高光谱乳腺癌组织图像分析方法,实现乳腺癌组织的自动分类和区域划分。提出数据预处理方法以提高图像的信噪比,利用神经网络训练图谱信息识别乳腺组织病变区域并突显以利于可视化。结果 基于神经网络的显微高光谱的乳腺组织识别分析方法同时利用了图谱两个方面的特征,获得了比传统彩色病理图像更好的识别结果。结论 基于神经网络的显微高光谱乳腺组织图像分析方法可以提供特征性的样本信息,是传统彩色病理图像的有效补充。在神经网络分析方法的支持下,将显微高光谱成像技术应用于乳腺癌组织的分析具有一定的应用前景。     

Automated Detection of Anesthetic Depth Levels Using Chaotic Features with Artificial Neural Networks

Monitoring the depth of anesthesia (DOA) during surgery is very important in order to avoid patients' interoperative awareness. Since the traditional methods of assessing DOA which involve monitoring the heart rate, pupil size, sweating etc, may vary from patient to patient depending on the type of surgery and the type of drug administered, modern methods based on electroencephalogram (EEG) are preferred. EEG being a nonlinear signal, it is appropriate to use nonlinear chaotic parameters to identify the anesthetic depth levels. This paper discusses an automated detection method of anesthetic depth levels based on EEG recordings using non-linear chaotic features and neural network classifiers. Three nonlinear parameters, namely, correlation dimension (CD), Lyapunov exponent (LE) and Hurst exponent (HE) are used as features and two neural network models, namely, multi-layer perceptron network (feed forward model) and Elman network (feedback model) are used for classification. The neural network models are trained and tested with single and multiple features derived from chaotic parameters and the performances are evaluated in terms of sensitivity, specificity and overall accuracy. It is found from the experimental results that the Lyapunov exponent feature with Elman network yields an overall accuracy of 99% in detecting the anesthetic depth levels.     

基于即时学习的集成神经网络及其干点预测

针对单个神经网络泛化能力差、对不同样本预测精度波动大的问题,提出了一种基于即时学习集成神经网络方法。首先,基于训练样本,建立多个不同的神经网络模型。其次,根据即时学习的思想,在对样本进行预测时,在训练样本中寻找与预测样本最接近的若干邻近样本,根据各网络对邻近样本的训练误差,即时形成各神经网络的集成权重,实时构造集成神经网络模型,对预测样本进行预测。最后,将该方法应用于初顶石脑油干点的预测,相比于文献中提出的方法,得到了更好的预测结果。     

遗传算法优化BP神经网络的老年痴呆症智能诊断

为了提高BP神经网络对疾病诊断的效率和预测准确率,提出一种遗传算法优化BP神经网络的老年痴呆症智能诊断模型,并以医院电子病历数据挖掘为例,对老年痴呆症诊断建立预测模型。该方法首先利用遗传算法的搜索寻优技术进行特征约简,然后将约简后的特征作为BP神经网络的输入变量,训练和构建BP神经网络模型。仿真实验在Matlab软件平台上进行,结果表明：与单BP神经网络相比,遗传算法优化BP神经网络能够降低模型训练时间、提高预测精度,是一种切实可行的老年痴呆症辅助诊断方法。     

Preliminary study on application of artificial neural network to the diagnosis of Alzheimer's disease with magnetic resonance imaging

ＯｂｊｅｃｔｉｖｅＡｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｆｉｒｓｔｕｓｅｄｉｎｔｈｅｍｅａｓｕｒｅｍｅｎｔｓｔｕｄｙｏｆｂｒａｉｎｏｆＡｌｚｈｅｉｍｅｒ’ｓｄｉｓｅａｓｅｕｓｉｎｇＭＲＩ,ａｎｄａｃｏｍｐｌｅｔｅｌｙｎｅｗｐａｔｅｒｎｄｉ...     

疗效预测方法在针刺治疗抑郁症研究中的应用探讨

目的探讨应用神经网络方法进行针刺治疗抑郁症的疗效预测。方法使用量表工具,应用神经网络方法进行疗效预测。选择与抑郁症针刺治疗效果密切相关的因素以及体现中医学整体思想的疾病状态、生活质量等指标作为神经网络的输入变量,将其量化数据赋予网络的输入层,将经治疗后量表的评定结果作为输出变量值。收集病例形成神经网络的训练和测试样本,进行网络的训练和测试,评估网络性能,讨论其临床应用性。结果网络训练误差达到预期目标(均方误差mse=0.0010),对HAMD减分率和SDS减分率的预测拟合度较好,且拟合精度较高;表明网络测试的拟合程度比训练结果的拟合程度差,网络模型对测试样本的预测误差大于对已知样本的预测误差。结论网络模型具有较好的学习能力,而对未知样本的识别能力不及对已知样本的识别能力。通过增加样本量、改进网络模型等途径,有望为临床提供可靠性良好的预测方法。     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性，提出了一种基于神经网络的通用模型控制方法，将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型，从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线，由于径向基函数网络具有许多优点，该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义，参数整定方便。仿真实验验证了该控制策略的有效性。     

Classification of transcranial Doppler signals using artificial neural network

Transcranial Doppler signals, recorded from the temporal region of brain on 110 patients were transferred to a personal computer by using a 16-bit sound card. The fast Fourier transform (FFT) method was applied to the recorded signal from each patient. Since FFT method inherently can not offer a good spectral resolution at jet blood flows, it sometimes causes wrong interpretation of transcranial Doppler signals. To do a correct and rapid diagnosis, transcranial Doppler blood flow signals were statistically arranged so that they were classified in artificial neural network. Back propagation neural network and self-organization map algorithms of artificial neural network were used for training, whereas momentum and delta–bar-delta algorithms were used for learning. The results of these algorithms were compared in the case of classification and learning.     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。