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     

一种基于LDA和FCM的BPA多模型软测量方法

模糊C-均值聚类(FCM)算法是数据预处理中常用的一种方法,但用这种方法进行数据聚类,各类别边界信息间往往存在干扰,模型精度不能得到很好改善。本文采用一种改进的线性判别分析(LDA)方法,用于扩大样本类别间的距离,使聚类更为精确。将FCM算法与改进的LDA算法结合提取样本特征,然后通过多模型融入到SVM算法中。通过对双酚A软测量建模的仿真研究表明该方法具有较好的效果。     

基于软测量技术的Aspen Plus用户模型二次开发

Aspen Plus仿真软件能够很好地实现化工工艺流程的模拟,并能对化工工艺流程实现参数优化、灵敏度分析和经济评价等。但化工工艺流程复杂,装置模型众多,Aspen Plus中现有的模型库不可能提供所有的单元模型。基于Aspen与Matlab的数据交互功能,开发了Aspen与Matlab接口用户模型——AEM用户模型。该用户模型能够实现在Aspen界面下调用Matlab程序,建立基于软测量技术的用户模型,大大扩展了Aspen Plus的适用范围。应用本文方法,采用高斯过程回归（GPR）软测量多模型建模方法,完成了双酚A生产流程中结晶塔的用户模型开发,实现了双酚A加合物结晶过程的模拟,并应用于双酚A生产流程模拟中。     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法，神经网络采用RBF网络结点结构，聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中，仿真结果表明具有并行实时性、聚类能力强的特点。     

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。     

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。     

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。     

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。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于粗糙集的T-S模糊神经网络在回转窑烧结过程中的应用

基于粗糙集理论的知识约简方法和T-S模糊神经网络的非线性映射理论,针对回转窑烧结过程被控对象复杂、各参数之间相互耦合及难以建立精确数学模型的特点,提出一种RS-FNN智能控制策略。采用基于一种新的聚类有效性准则函数的模糊C均值聚类算法对连续属性进行离散化;然后利用粗糙集理论由历史数据样本提取约简规则集,对应的T-S模型具有反映数据特征的良好拓扑结构;最后T-S模型参数由梯度下降混合最小二乘法进行精调。该方法应用于铁矿氧化球团回转窑生产过程控制取得了良好效果,增强了系统容错及抗干扰的能力。     

基于改进免疫遗传算法的神经网络及其在股票预测中的应用

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于改进免疫遗传算法的多层前向神经网络,将该算法用于多层前向神经网络的权值优化,扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度.将该神经网络用于上证指数的趋势预测,仿真结果表明:该神经网络比BP神经网络具有更好的全局收敛性、更高的学习效率和预测精度.     

一种基于RBF网络的参数自调整REM算法

针对传统的随机指数标记（Random Exponential Marking,REM）算法存在参数难以调整的缺陷,提出了一种改进型主动队列管理算法—基于RBF网络的参数自调整REM算法。利用RBF神经网络动态地对算法参数进行调整,使其能够适应不断变化的网络环境。该算法将REM算法在一定条件下近似为比例积分控制,使REM算法参数调节近似等效于比例积分系数的调节,简化了参数调节,提高了算法的实时性。仿真实验表明：该算法优于传统的REM算法,具有良好的鲁棒性及较快的调节速率。     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法，采用模糊C均值聚类(FCM)算法划分输入输出数据空间，最后将该算法应用于丙烯腈收率的预报，仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。     

RBF神经网络在股市趋势预测中的应用

将RBF神经网络应用在股市趋势预测中，RBF网络中心点的选取采用最近邻聚类学习算法，以上证指数和基金裕阳为对象进行建模与预测，结果表明，此种网络具有较好的学习和泛化能力，在股市趋势预测中取得了较好的效果。     

脉象特征人工神经网络分类器

以人工神经网络为手段，以提取脉象信息为目的，由临床采样数据形成了网络训练输入特征向量库，不以单一脉本身为分类对象，而考虑它是否是某些可识别特征的组合，建立了浮沉、弦滑、迟数等一组脉象特征网络。证实了人工神经网络用于具有模糊性的脉象特征的识别和分类是可行的，带智能处理的特色。其分辨准确率可达９０％。     

基于改进云粒子群优化的模糊神经网络在甲醇合成转化率软测量中的应用

针对基本PSO算法早熟、搜索精度不高与易陷入局部最优的缺点,结合云滴的随机性、稳定倾向性,提出了一种改进粒子群优化算法(ICPSO)。将改进算法用于模糊神经网络的参数优化,并应用于甲醇单程转化率建模中。仿真实验结果表明：该模型具有较高的精度和较好的泛化能力,能够实现甲醇转化率的实时监测。