一类分数阶神经网络模型的稳定性与Hopf分支分析

分析了一类分数阶神经网络的稳定性与Hopf分支问题.基于分数阶稳定性判据,得到了分数阶神经网络模型局部渐近稳定的条件.并以q为分支参数,得到了分数阶系统产生Hopf的条件.最后数值仿真证明了我们的结论.     

基于LSTM的浮选钼精矿品位软测量模型

战略性稀有金属钼矿品位低,组分复杂、嵌布粒度细等特点,其有价金属分离回收难。浮选作为微细粒钼矿分离回收的主要选矿方法之一,其浮选钼精矿品位一直是选厂的关键性产品指标。国内大多数选厂采取轮班制采样,人工化验得到精矿品位结果,但此方式严重滞后于浮选工艺,难以满足对生产过程进行实时监测和操作指导。LSTM是一种特殊的循环神经网络,引入门机制有效的传递或选择性遗忘长时间序列中的信息,解决RNN中的长期依赖、梯度消失和爆炸问题。本文分析整理东坡选厂中各平台源数据,结合选厂浮选工艺及机理,筛选出多个影响浮选钼精矿品位的变量作为模型输入;将输入变量进行异常值判定,缺失值填充和数据降噪等数据预处理,建立高质量浮选钼精矿品位数据库;软测量模型采用PyCharm软件编码,使用BatchNorm批量规范化处理样本数据,加入Dropout正则化防止过拟合,建立基于LSTM的浮选钼精矿品位软测量模型,通过前向传播算法更新神经网络结构参数,并于Linear模型和CNN模型的预测性能指标结果比较。结果表明：基于LSTM的浮选钼精矿品位软测量模型预测准确度高,样本数据误差波动平稳,浮动范围小,模型泛化能力强,模型平均绝对百分比误差MAPE为1.13%,均方根误差RMSE为0.7049%,决定系数R2为0.8763,实现了浮选钼精矿品位的在线预测。     

稀土萃取分离过程软测量方法的研究

分析了稀土组分含量在线检测技术进展缓慢的原因,分析了稀土萃取分离过程机制,找出影响稀土组分含量检测的主要因素,确定辅助变量。利用从包钢稀土厂采集的数据通过newrb函数创建径向基网络来实现稀土组分含量的软测量。文中通过流程图详细阐述了建模方法,采用50组样本数据对所建立的模型进行计算机仿真验证,仿真结果证明了模型的可行性。     

一种基于自组织粒子群–径向基神经网络的污水总磷TP软测量

针对当前污水处理过程出水总磷TP测量操作繁琐、仪器设备造价高、测量结果可靠性和精确性低等问题,本发明设计了一种基于自组织粒子群–径向基神经网络的污水处理过程出水总磷TP软测量方法,并利用实时数据对出水总磷TP软测量方法进行校正,实现了对污水处理过程出水总磷TP的预测,解决了出水总磷TP难以测量的问题;结果表明该出水总磷TP软测量方法能够快速、准确地预测污水处理出水总磷TP的浓度,有利于加强城市污水处理厂精细化管理和提升实时水质质量监控水平。     

一类非线性振动的智能主动控制方法

本文提出一种基于人工神经网络的振动主动控制方法，基于这种方法的主动控制系统由神经网络辨识器和神经网络控制器两部分组成，可对一类动特性与外界干扰均未知的任意非线性振动系统实施有效的控制，进而为实现智能振动主控制开辟了新的途径。     

埋入压电元件的自诊断智能结构的理论分析与实验研究

将压电元件埋设于复合材料层板结构中，可实现结构应变分布的在线监测。本文提出一种采用压电应变传感器阵列和人工神经网络模型的自诊断方法，对局部埋入压电应变传感元件的平板结构进行了分析，采用神经网络模型根据压电传感器组的输出识别结构承载位置和大小，对该方法进行了数值模拟和实验验证。     

基于RS-BPNN模型对商品房价格的预测研究

为了克服传统预测方法的不足,采用RS-BPNN模型预测商品房价格.利用粗糙集理论确定影响商品房价格的主要因素,运用具有超强数据处理能力的BP神经网络,根据筛选的主要因素作为输入节点数,构建商品房价格的预测模型,然后通过实例进行仿真.结果表明,其预测精度远远超过传统预测方法.可见RS-BPNN模型在房地产价格预测领域具有很强的实用性.     

基于Chebyshev多项式的神经网络中长期负荷预测研究

高精度负荷预测在提高电力系统的安全性和经济性方面有着极其重要的意义,而现有的负荷预测方法因参数有限,难以完全反映其内在规律,因而导致预测结果不够准确.为此提出了一种基于Chebyshev多项式神经网络模型的预测方法.该方法使用递推最小二乘法训练神经网络权值系数,以获得高精度的参数估计,从而实现Chebyshev多项式神经网络模型对负荷量的最优拟合,再利用训练好的Chebyshev多项式神经网络模型实现中长期负荷预测.研究结果表明,该方法能较好模拟负荷变化规律,有效提高了负荷预测精度,在电力系统负荷预测中有较大的应用价值.     

广东省能源需求预测模型构建及实证分析

为了对广东省的能源需求进行准确的预测,首先分析了影响广东省能源需求的各种因素,构建了预测指标体系.在此基础上,针对能源系统非线性等复杂系统特征,结合粒子群算法和BP神经网络的优点,构建了改进的PSO-BP神经网络的预测模型,并通过主成分分析法对指标体系进行数据降维,以降低神经网络的规模和复杂程度.以广东省1985-2013年的能源需求数据进行模拟与仿真,并对2014-2018年的能源需求量进行预测,理论分析和实证研究表明,该方法能够很好的反映广东省能源需求的特征,预测结果较为准确合理.     

具有变时滞和马尔可夫切换的随机递归神经网络的弱收敛(英文)

本文研究了具有变时滞和马尔可夫切换的随机递归神经网络的弱收敛,通过运用Lyapunov函数、随机分析技巧和推广了的Halanay不等式,得到了上述模型为弱收敛的充分性条件,并且我们揭示了对上述递归神经网络模型所确定的segment过程的转移概率的极限分布是此模型的解过程的唯一的遍历不变概率测度.此外,我们还给出了例子和数值模拟来说明我们结论的正确性.