高阶神经网络模型中的学习算法研究

目的探索高阶神经网络模型中的学习算法。方法通过在高阶神经网络模型中引入新的学习算法增强高阶神经网络模型性能，给出了新学习算法的理论分析、收敛性证明，进行了仿真实验。结果新学习算法下的高阶神经网络模型的性能指标优于传统Hebb型学习算法下的高阶神经网络模型。结论新学习算法下的高阶神经网络模型具有更好的优良特性，有利于其在信息存储、模式识别领域中的应用。     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预测误差均值来修正神经网络模型预测输出,继而计算出下一个批次的控制输入。随着批次的进行,模型误差逐渐消失,控制输入达到最优控制。仿真实验结果验证了该算法的有效性。     

生化过程的神经网络组合模型

用神经网络描述未知的反应动力学参数，结合反应器物料平衡方程，提出了生化过程的神经网络组合模型。并提出了特别适合微生物发酵过程的Ｍｏｎｏｄ饱和型和基质抑制型的神经元传递函数。在Ｈｅｂｂ学习的基础上，引入教师指导信号，提出了神经网络误差一次反向传播的快速学习算法。将此组合模型用于某流加发酵过程状态变量和动力学参数的在线估计，仿真研究获得了满意的结果。组合模型具有训练速度快、预测精度高等优点，为动力学结     

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。     

非线性部分最小二乘法在催化剂活性建模中的应用

结合统计回归与神经网络的优点，使用基于神经网络的非线性部分最小二乘回归法，建立了醋酸乙烯生产装置催化剂活性的非参数模型，模型的精度高且计算量较小。实际应用证明了方法的有效性。     

连续发酵过程的神经网络预测和控制

给出了神经网络趋化性算法的一种新的实现策略，在此基础上，提出了一种动态递归神经网络建模方法和一种控制作用受限的自学习非线性控制方法。将其用于连续搅拌签式发酵器的状态变量的在线预测和优化控制，仿真结果表明，预测精度高，控制效果好，具有强抗扰和强鲁棒性。在不知道生化过程模型结构的情况下，神经网络模型，可取很容易地通过在线或离线学习到高度复杂的非线性生化过程的输入．输出关系。对于经过最优操作点，稳态增益的符号会发生变化的这类难以控制的生化过程，神经网络非线性控制策略，可以使生化反应器始终维持在最优状况。本方法有望在实际工业过程中得到应用。     

过程信号的前馈—反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求,在其他学者研究的基础上,基于前馈－反馈型神经网络模型,提出了一种自适应盲分离算法用于过程信号的分离。计算机仿真实验的结果表明了算法的有效性。     

基于回归神经网络的非线性动态数据校核及其应用

研究了简化型内回归神经网络基于自适应梯度下降法的训练算法,并提出了一种基于简化型内回归神经网络的非线性动态数据校核新方法,结果表明所提出的方法能够有效地对非线性动态过程进行数据校核,并具有良好性能,与传统的动态数据校核方法相比,所提出方法具有不需要掌握过程本身的精确模型,避免了过程模型误差可能带来的估计误差,不需事先知道测量噪声和过程噪声的统计特性等特点。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步：结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

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.     

神经网络自调节变尺度算法及其用于聚酯生产工况预测

探讨了多层前向神经网络的学习算法，并将该算法用于大型聚酯生产工况预测。结合非线性最优化方法，提出了一种基于拟牛顿法的神经元网络自调节变尺度学习算法，仿真结果表明，该算法有效地改进了神经元网络学习收敛速度和收敛性能。     

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。     

模糊遗传人工神经网络算法提取乳腺微钙化点的效果

 【目的】微钙化点是早期乳腺癌的重要征象之一，本研究联合运用遗传算法、模糊数学和人工神经网络，建议一种乳腺微钙化点提取的新方法，为乳腺病变的自动识别提供前期处理，为早期乳腺癌的临床诊断提供帮助。【方法】首先利用随机方法产生大量的样本，然后，利用模糊遗传算法对产生的随机样本进行分类，将分类后的样本输入人工神经网络进行训练，将310幅乳腺图像的感兴趣区域输入训练后的人工神经网络分类器进行分类。【结果】与微钙化点提取方面的同类文献相比较，结果表明该算法在相同误检率下得到较高的阳性检出率。【结论】研究表明综合运用遗传算法、模糊数学和人工神经网络进行乳腺微钙化点提取比单纯运用人工神经网络提取效果好。     

一种基于神经元网络优化的辨识方法

基于神经元网经络结构的优化，提出了一种新的辨识方法，并针对三层反向传播神经元网络，提出了该辨识方法的详细算法，通过实例仿真证实了该方法的有效性。     

一种前馈网络的新型混合算法

提出了一种针对前馈神经网络的混合算法，该算法将最速下降法与共轭梯度法相结合，有效地改善了传统BP算法收敛速度慢、可能陷入局部极小等缺点。两个仿真结果表明，该算法是有效的。     

用聚类分析和人工神经网络解析漆器漆膜裂解色谱图

采用聚类分析法和变步长的误差反向传播人工神经网络方法，解析漆器漆膜的裂解色谱数据，获得了漆器漆膜隐含的年代信息。结果表明，本法为解析古代漆器漆膜年代信息提供了一条有效的新途径。     

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。     

用连续量输入的人工神经网络评定心脏收缩功能

作者应用人工神经网络技术，实现心脏收缩功能的计算机自动评定，以探讨人工神经网络技术在生物医学评定、分类和诊断等问题中的应用方法，该研究采用心脏收缩时间间期的７项指标，应用反向传播神经网络，以连续量作为网络输入，对２０２位受试者的心脏收缩功能进行评定，人工神经网络的评定结果与专家评定结果相比较，符合率可达９５．５４％．结果表明，连续量输入方式在逼近实际分类边界，减小网络规模，加快网络学习方面优于数字量输入方式．     

高阶前馈神经网络在区域环境质量评价中的应用研究

目的 探索高阶前馈神经网络模型特性，将其应用于区域环境质量评价。方法 通过在多层前馈神经网络中增加高阶连接权建立高阶前馈神经网络模型，用此模型研究区域环境质量评价，并与传统BP网络的应用结果进行对比。结果 高阶前馈神经网络模型应用于区域环境质量评价时，其性能指标优于传统BP网络。结论 高阶前馈神经网络模型的优良特性为区域环境质量评价提供了新的有效途径。