木材干燥过程的Elman神经网络模型研究

[目的]研究木材干燥过程的Elman神经网络模型。[方法]在人工神经网络理论的基础上,选用Elman神经网络建立木材干燥过程模型。针对木材干燥过程的特点,Elman神经网络利用木材干燥过程材堆的温度、湿度以及对应的木材含水率建立模型。[结果]通过实际干燥过程数据对模型的准确度进行验证,结果表明Elman神经网络利用少量数据就可以建立模型,并且模型预测精度高,对数据的联想记忆和优化能力强。[结论]Elman神经网络建立的木材干燥过程模型准确,对于提高木材干燥过程的控制水平具有重要研究意义。     

嵌入式木材干燥监控系统的研究与设计

介绍了一种嵌入式木材干燥监控系统的原理与设计。该监控系统以嵌入式微处理器为核心,它将干燥过程中实时采集到的干燥窑内温湿度参数和预设值进行对比,并按照一定的干燥基准,向相关的执行部件发出控制命令,从而实现对木材干燥过程的全自动控制。通过实际应用证明,该系统运行稳定,且干燥效率明显提高。     

基于DRNN的木材干燥窑智能控制系统

利用对角回归神经网络对木材干燥系统的模型进行辨识,并根据辨识的Jacobian信息动态整定PID控制器参数,从而实现木材干燥控制系统的智能控制。仿真结果表明:控制器能取得满意的控制效果,同时具有较强的抗干扰能力。     

基于神经网络的水产养殖水质预测模型研究

水产养殖池塘是一个多变量、非线性和大时延系统,很难用传统方法建立水质预测的精确模型.神经网络具有良好的非线性函数逼近能力,非常适合处理水质预测等复杂问题.利用BP神经网络模型,通过自适应的动态学习方法和模型优化,采用MATLAB神经网络工具箱建立了水产养殖水环境因子pH值预测模型.在预测模型中输入测试样本,将预测结果与实测值进行比较,平均相对误差小于1％.结果表明,所构建的基于自适应BP算法的水产养殖水质预测模型具有良好的精确性和准确性,能有效地预测养殖池塘的水质状况.     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

基于结构优化递归神经网络的网络流量预测

针对传统方法预测网络流量精度较低的问题,提出了一种基于改进双线性递归神经网络模型(BLRNN)的非线性网络流量预测方法.首先,给出了双线性递归神经网络的定义及网络结构描述;然后从网络结构和修剪过程两方面对双线性递归神经网络进行优化改进,采用遗传算法全局搜索进行修剪;最后,通过真实工况下的网络流量数据用仿真试验对模型性能进行分析.试验结果表明,优化后双线性递归神经网络模型大幅降低了算法复杂度,提高了计算效率,与传统的多层神经网络预测方法相比,该方法预测精度更高.同时,该方法也为其他具有相似特征的非线性预测问题提供了一种新的研究思路.     

基于遗传算法的木材干燥窑PID控制系统

在遗传算法对木材干燥窑控制对象进行系统辨识的基础上，建立一个模型参考自适应PID控制系统。运用遗传算对PID参数进行在线寻优，动态调整PID参数。根据木材干燥基准，产生合理的控制参数，实现了对木材干燥窑对象进行控制的目的。     

引入免疫粒子群优化算法的木材干燥模糊神经网络控制系统设计

针对木材干燥窑温湿度控制采用的模糊神经网络比较依赖于网络初始权值,且网络的训练时间较长、容易陷入非要求的局部极值,采用粒子群优化算法(PSO)的全局寻优性能,设计一种引入免疫PSO算法的木材干燥模糊神经网络控制系统。为避免PSO算法的早熟和进一步导入待求解问题的先验知识与经验,加快算法的全局收敛能力,引入免疫算法的接种疫苗、免疫选择、良种迁移3种免疫算子。仿真结果表明:温度和湿度,能更加快速、平滑地到达设定值(温度需要70 s左右,湿度需要75 s左右)。实例验证结果表明:温度曲线均方误差仅为0.020 7,拟合优度高达0.979 7;湿度曲线均方误差均在0.3以下,拟合优度均在0.96以上。说明免疫PSO算法具有较高的收敛速度和识别率,对不确定非线性系统具有良好的控制效果。     

多项式基函数神经网络模型

从函数逼近理论出发，用一组正交基函数作为三层前向神经网络各隐含单元的输出特性，以其加权和作为网络的非线性输出，构成一种单输入单输出正交基函数神经网络模型。建立了多输入的多项式基函数神经网络，并给出了非线性静态特性拟合，ＸＯＲ特性和动态特性拟合计算机仿真结果。     

总线型粒子群神经网络谷物干燥机控制系统设计

针对谷物干燥过程存在本构非线性、多参数、大滞后等特点,采用Elman神经网络对干燥过程进行建模,并融合自适应粒子群优化算法设计了谷物干燥机智能控制系统,同时给出了系统测试结果。系统硬件设计采用上位工控机实现建模和优化算法,热风温度、谷物含水率等采用C8051F020单片机通过总线方式进行采集,系统控制参数由工控机计算优化获得并通过串口传送给单片机,并由其控制相应变频器和电动风阀等执行机构。     

依据响应曲面法和BP神经网络对木纤维脉冲-旋流气流干燥工艺优化

为探讨脉冲-旋流气流干燥工艺对木质纤维终含水率的影响,选用Box-Behnken试验设计进行响应曲面法试验,考查杨木纤维脉冲-旋流气流干燥过程中主要工艺参数对终含水率的影响。结果表明:影响杨木纤维终含水率的工艺参数递次是初含水率、进风温度、进料速度和风速。选用TensorFlow框架借助python编程语言建构BP神经网络,搭建终含水率预测模型,结果显示:足够的样本数据反映出规律特征后,预测模型的优化效果得以改善。将响应曲面法试验和BP神经网络模型优化效果进行对照,响应曲面法和BP神经网络的ERMS值、R2值分别为0.2264、0.9834和0.4419、0.9794,反映出响应曲面法的优化水平更好。研究结果旨在为丰富木质纤维气流干燥理论体系及其工业化应用提供技术支持和理论依据。     

智能木材干燥控制系统的研究与设计

木材干燥技术能够提高木材利用率和木材质量,是木材不降等的主要保障技术之一。该研究将先进的神经网络算法与PID控制技术相结合,并建立相应的智能控制系统,从而对木材干燥的全过程进行智能控制,最后,利用Matlab软件对该系统进行了建模和仿真,通过实验证明该系统具有较好的应用价值。     

模糊神经网络的真空木材碳化设备控制系统设计与仿真

针对目前真空木材碳化设备的控制系统具有大滞后、强耦合、时变性以及难以建立精确数学模型等特点,提出了一种模糊神经网络算法的真空木材碳化设备控制系统。通过对输入输出变量、论域及隶属函数的选择,设计出真空木材碳化设备控制器;再将神经网络与模糊控制系统相结合,得到模糊神经控制网络。对模糊神经网络控制器的算法进行了分析;在Matlab环境下编写控制器的程序,用Simulink进行仿真实验。结果表明:模糊神经网络控制器的真空木材碳化设备输出的温度曲线,稳态误差为0、最大偏移量为1℃、调节时间约为8 s、超调量为2%;湿度曲线在6 s时即可达到稳定,稳态误差为0、最大偏差为1%、超调量为4%;加入扰动后,误差能被快速消除,温湿度的波动幅度相对减小,系统的稳定性更强。模糊神经网络控制器,可减小调节时间、消除误差、提高控制精度,具有很好的鲁棒性。将二者结合设计出的模糊神经网络控制器,具有自适应、学习、识别和模糊信息处理等功能,在处理大规模复杂的模糊应用问题方面具有更好的控制效果。     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。     

基于T-S模糊神经网络预测算法的管道泄漏定位研究与分析

长输管道的泄漏检测和定位对管道安全平稳运行意义极其重大,在以软件计算为主的检测方法里,模糊神经网络模型综合了模糊算法和神经网络模型的优点,能较好地适应长输管道的非线性特征。本文采用中亚地区某管道某相邻两站场的历史数据训练基于高木-关野（Takagi-Sugeno）模糊神经网络的预测模型,使用STONER管道仿真软件产生实时数据,用一种较简单的软方法较好的实现管道泄漏定位,该种方法对中亚某长输管道这类没有专门硬件泄漏检测设备和系统的管线有一定的实用意义。     

基于神经网络的木材生长轮密度预测模型

应用神经网络方法，进行木材材性指标生长轮密度的预测。建立了木材生长轮密度的神经网络模型．拟合了木材生长轮密度的变异规律，对木材生长轮密度进行了预测，并与时间序列方法对比，说明了神经网络用于木材生长轮密度预测的优势。     

格氏栲种群个体年龄确定方法的研究

本文利用格氏栲解析木资料，运用人工神经网络方法建立格氏栲种群个体年龄的预测模型，结果表明：所建立的年龄神经网络模型精度达９０．６１％ ，并利用该模型对格氏栲的生长过程进行模拟，从而为格氏栲种群的动态研究提供理论基础。     

利用人工神经网络建立谷物干燥模型

分析了谷物干燥传统建模的难点，介绍了人工神经网络建模的原理和方法及其在干燥过程中的运用。     

基于LSTM-Kalman模型的蛋鸡产蛋率预测方法

产蛋率是评价蛋鸡产蛋性能的重要指标之一,因其具有时序性和非线性等特点,且其影响变量众多、存在复杂的耦合关系,难以实现精准预测。由于传统神经网络预测过程的非记忆性难以处理时序性问题,该文章提出蛋鸡产蛋率的LSTM-Kalman预测方法,使用主成分分析提取影响蛋鸡产蛋率的关键变量,通过LSTM神经网络预测蛋鸡产蛋率,采用Kalman滤波对LSTM预测的结果进行动态调整,作为最终预测结果。数据分析结果表明:LSTM-Kalman模型预测产蛋率的平均绝对误差、均方误差和皮尔逊相关系数分别为0.312 8、0.435 3和0.975 2,明显优于传统的BP神经网络、极限学习机等预测方法;通过2栋鸡舍生产数据的交叉测试验证,模型的预测准确率达到97.14%和98.71%,表明模型具有较强的泛化能力,能够满足蛋鸡产蛋率预测的实际需要,可以为蛋鸡养殖环境数据的精准调控提供参考。