GA-BP网络在谷氨酸菌体浓度软测量中的应用

针对菌体细胞浓度是影响谷氨酸发酵过程重要的生物参数,而其在线实时检测难以实现的状况,采用遗传算法和BP神经网络相结合的方法(GA-BP网络)对其进行软测量。通过对谷氨酸生产工艺过程的分析,找到影响菌体细胞浓度的过程参数,从现场历史数据中选取样本,建立软测量模型。仿真结果表明:新方法可以避免单独使用BP网络陷入局部最小的问题,能加快全局收敛速度,对谷氨酸发酵过程菌体浓度的软测量效果更好。     

修正初始权值的BP网络在CSTR故障诊断中的应用

将BP算法和使用复合法修正初始权值的BP算法运用到CSTR模型中进行故障诊断。采用复合法对初始权值进行修改，避免了BP算法中初始权值的随机性带来的收敛缓慢甚至瘫痪现象，并结合CSTR模型的故障诊断进行了仿真运算，与BP网络的比较表明了改进算法在运算效率上的优势。     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

最小二乘支持向量机的参数优化及其应用

针对最小二乘支持向量机的多参数带来的参数寻优问题,将进化算法(遗传算法和PSO算法)应用其中,通过Sinc函数的测试,成功地实现了多参数的联合优化;将这一方法应用到德士古炉温软测量建模中,采用来自工业现场的实测数据进行仿真,将两种方法的仿真结果与常用的BP神经网络进行比较,可以看出两种算法都较好地解决了最小二乘支持向量机的参数优化问题.     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型，然后通过调整聚类半径优选模糊规则数，以取得具有良好泛化性能的模型，之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模，结果表明能较快确定优化模型，并能满足软测量建模精度要求。     

基于混沌最小二乘支持向量机的软测量建模

提出一种改进算法,用来解决现有最小二乘支持向量机方法在处理大规模样本软测量建模问题时出现的模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题。对样本集进行预处理,通过计算样本间欧氏距离进行样本相似程度分析,去除样本集中1/3的样本以简化支持向量机模型结构并提高计算速度。定义了一种混沌映射构成混沌系统并分析了其遍历性。应用改进的混沌优化算法优化最小二乘支持向量机模型参数以提高模型的拟合精度和泛化能力。将改进算法用于丙烯腈收率软测量建模中,仿真实验结果表明：模型精度较高,泛化性能好,满足现场测量要求。     

软测量技术及其在加氢裂化分馏塔中的应用

在总结现有各种软测量技术的基础上,指出统计分析方法中的部分最小二乘法和神经网络方法中的径向基函数网络,是经实际应用证明有效的方法。提出了一种将ＰＬＳ和ＲＢＦＮ结合的方法,并将ＰＬＳ,ＲＢＦＮ,ＰＬＳ－ＲＢＦＮ３种算法分别用于加氢裂化分馏塔航煤点软测量模型的建立,其泛化结果表明基于ＰＬ－ＳＲＢＦＮ算法建立的软测量模型具有更好的预测精度。     

一种基于带监督局部保持投影的多模型软测量建模方法

针对化工生产过程中软测量模型估计精度的问题,提出了一种基于多知识库挖掘理论的带监督的局部保持投影（SLPP）方法。该方法用SLPP算法对输入数据空间进行类与类之间的降维,得到不同的类别转换矩阵和不同的类别多知识库,最后融合支持向量机自适应地实现组合建模。仿真结果表明：该建模方法用于双酚A含量的软测量建模中,较传统多模型方法可以更加合理地加权得到子模型,提高了模型估计精度,具有更强的泛化能力。     

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.     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机（KEML）的软测量建模方法,将支持向量机（SVM）中核函数的思想运用到极限学习机（EML）中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

一种群体趋化性算法及其应用的研究

提出了一种新型神经网络群体趋化性算法，将其用于多层前向神经网络的学习过程，表明其具有学习速度快、精度高的特点。进行了基于这一算法的尿素生产过程神经网络模型化研究。仿真结果表明了这一算法的有效性。基于所建神经网络模型知识的专家系统，已在某化肥厂得到成功应用。     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究。以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好。以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据。     

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。     

基于AHP-BP算法的供应链合作伙伴选择建模及其应用

将AHP法与改进的BP神经网络相结合建立了供应链合作伙伴选择模型,并使用L-M算法对神经网络权值进行训练,实现了对供应商的多标准评价;所用的评价指标体系选取全面,适用于多种类型的供应链合作伙伴选择。用实例对模型进行了验证,并取得了较好的评价效果。该模型应用简单,且减少了供应链合作伙伴选择过程中人为因素的影响,具有一定的实用价值。     

基于误差反向传播算法神经网络模型的网络式以问题为基础学习效果评价方法的研究

目的研究误差反向传播算法（ error back propagation algorithm,BP）神经网络模型在网络式以问题为基础学习（ WPBL）效果评价中的适用性。方法基于调查问卷收集的资料,利用测试样本构建BP神经网络模型,并通过所构建的模型对训练样本进行检测。结果构建模型时测试样本的网络输出分数与综合评分之间的平均误差小于规定误差（E=0.000031592〈0.0001）。对训练样本进行检测显示,网络输出分数与实际综合评分之间的误差极小。结论 BP神经网络模型能够准确、快速地对WPBL效果进行评价。     

IPCA在故障检测与分离中的应用

针对现有ＢＰ网络在故障诊断中存在的缺陷，提出了利用小波函数构造故障诊断神经元网络，利用变尺度算法进行网络训练，加快了网络的训练速度。并交结果运用到一个ＣＳＴＲ非稳态故障诊断的过程中，仿真实例表明，小波网络较ＢＰ网络具有更好的故障诊断能力。     

基于小波网络的非稳态故障诊断方法

针对现有ＢＰ网络在故障诊断中存在的缺陷，提出了利用小波函数构造故障诊断神经元网络，利用变尺度算法进行网络训练，加快了网络的训练速度。并交结果运用到一个ＣＳＴＲ非稳态故障诊断的过程中，仿真实例表明，小波网络较ＢＰ网络具有更好的故障诊断能力。     

模式识别在白芍质量控制中的应用

目的旨在通过通用性强的中药色谱数据特征的抽取和神经网络识别,建立白芍的质量评价模式。方法首先通过实验获取同一品种不同质量29个白芍样本的高效液相色谱数据,然后依照非线性的核主成分分析(KP-CA)进行数学特征提取,将取得的压缩数据,输入BP神经网络进行学习,运用训练后的网络识别白芍的质量分类。并探讨了模式识别中人工神经网络的数据预处理、网络隐含层数、隐节点数、激励函数和过拟合现象等。结果通过改良后网络训练,已成功地识别白芍药材质量类别(识别率100%)。结论非线性特征提取KPCA法与人工神经网络结合适用于白芍整体质量分析。     

Using Elman Recurrent Neural Networks with Conjugate Gradient Algorithm in Determining the Anesthetic the Amount of Anesthetic Medicine to Be Applied

In this study, Elman recurrent neural networks have been defined by using conjugate gradient algorithm in order to determine the depth of anesthesia in the continuation stage of the anesthesia and to estimate the amount of medicine to be applied at that moment. The feed forward neural networks are also used for comparison. The conjugate gradient algorithm is compared with back propagation (BP) for training of the neural Networks. The applied artificial neural network is composed of three layers, namely the input layer, the hidden layer and the output layer. The nonlinear activation function sigmoid (sigmoid function) has been used in the hidden layer and the output layer. EEG data has been recorded with Nihon Kohden 9200 brand 22-channel EEG device. The international 8-channel bipolar 10–20 montage system (8 TB-b system) has been used in assembling the recording electrodes. EEG data have been recorded by being sampled once in every 2 milliseconds. The artificial neural network has been designed so as to have 60 neurons in the input layer, 30 neurons in the hidden layer and 1 neuron in the output layer. The values of the power spectral density (PSD) of 10-second EEG segments which correspond to the 1–50 Hz frequency range; the ratio of the total power of PSD values of the EEG segment at that moment in the same range to the total of PSD values of EEG segment taken prior to the anesthesia.