蒸汽梯级利用技术在大型蒸汽管网系统中的应用

针对目前钢铁企业蒸汽管网系统利用率不高的现实,提出蒸汽梯级利用的方法.对不同参数蒸汽运用热力学原理,采用分析和能分析方法对蒸汽利用过程中减温减压的能质损失、一次使用后高参数蒸汽和冷凝水能量损失进行热力学和经济性分析,提出减少损失的方法,以提高蒸汽利用率.     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

基于小波神经网络的非线性动态系统辨识

在小波神经网络的基础上提出了一种辨识非线性动态系统的方法．该方法有效地将系统辨识所需要的结构形式与多层神经网络及小波基函数所构成的分辨率信息处理过程相结合,建立了从数据到符号的自适应机制．仿真结果表明,该方法具有收敛速度快、逼近精度高、鲁棒性好等优点．     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

基于FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

大型蒸汽管网降压运行的可行性分析

以热力学理论为基础,结合某大型钢铁企业的实际情况,在满足蒸汽系统安全稳定运行的前提下,对当前运行压力为1.6 MPa低压管网提出降压运行方案.分别对汽源及管网进行降压可行性分析,并做出综合效益评价.结果表明,针对大型蒸汽管网用户普遍用汽压力较低的情况,管网降压运行可有效减少蒸汽在节流减压过程中的能质损失,提高汽源发电负荷,从而提高能源的利用率.     

蒸汽供热管网的动态仿真建模

为建立供热管网的在线优化运行、故障实时诊断以及仿真分析和培训系统 ,必须建立一种高精度的蒸汽供热管网动态仿真模型。该模型将蒸汽处理成为单相可压缩流体 ,将管网处理成为由节点和支路组成的一种网络结构。在仿真计算中 ,采用隐式 Euler算法、线性迭代方法和稀疏矩阵算法求解由物理模型所得的非线性微分方程组。证明了所用的算法具有大范围收敛特性。此方法将被应用于青岛市蒸汽供热管网的工程项目中     

基于神经网络的非线性系统辨识方法

主要介绍利用多层神经网络进行非线性系统辨识的几种模型以及相应的算法，并分析和比较它们的辨识性能．为高度不确定性动态系统的综合设计提出了一种分析方法。     

基于非线性动态系统辨识的D-FNN算法研究

D-FNN的基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看作是基于归一化的高斯RBF神经网络。D-FNN算法中,不仅参数可以在学习过程中调整,同时,也可以自动确定模糊神经网络的结构。非线性参数是由训练样本和高斯宽度直接决定的,只需一步训练就可以达到目标。由于修剪策略的应用,网络的结构不会持续增长,因而确保了系统的泛化能力。使用D-FNN对非线性动态系统辨识进行了仿真,并与相关算法作比较,从而发现了D-FNN算法的有效性和高效性。     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。     

基于人工神经网络的非线性系统辨识

人工神经网络是-个非线性动力学系统,具有自适应、自组织、自学习等功能。本文利用人工神经网络具有表达任意非线性映射的能力,对非线性系统进行系统辨识。仿真结果表明,该方法是可行的,计算精度高。     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

基于PID神经网络的非线性系统辨识与控制

针对工业控制领域中非线性系统采用传统的控制方法不能达到满意的控制效果,提出一种基于P ID神经网络的控制方案,以对其进行辨识和控制。将P ID神经网络引入控制系统中,既具有常规P ID控制结构简单、参数物理意义明确等优点,同时又具有神经网络的并行结构和学习记忆功能及非线性映射能力。仿真结果表明:该控制系统响应速度快、超调量小、稳态精度高,能够快速跟踪系统输出并进行有效控制,且具有一定的自适应性和鲁棒性,满足实时控制的要求。     

基于改进遗传算法的递归神经网络模型辨识

将递归内时延神经网络应用于非线性动力学系统中，引入遗传算法作为其学习算法，提出遗传算法新的编码方案，并且在遗传操作中采用适应度的调整策略，通过仿真实验，表明该方法是有效的。     

制度和技术外生的经济增长模型及应用--对制度进步效率的探析

为了把制度和技术在经济增长中的作用统一在一起,构造了一个制度和技术外生的经济增长模型。并运用该模型对中国的经济发展情况以及其他国家的经济增长的不确定性进行了阐述。     

用神经网络预测蒸气压和汽化热

用前向神经网络,对纯物质的蒸气压和汽化热与温度的函数关系进行预测,通过适当变量变换,在相同网络单元数情况下,大大提高预测精度,对387种物质的预测结果表明,熔点到临界点的温度范围内,蒸气压的平均预测误差为0．084％,汽化热的平均预测误差为018％。     

四旋翼飞行器动力系统模型参数辨识实验研究

四旋翼飞行器动力系统是飞行器的重要组成部分,也是影响控制精度的重要因素。通常在动力系统建模时直接采用机理建模法,但在实际中动力系统的选用和安装都会影响到动力系统模型,故直接采用机理建模方法准确性不高。本文基于动力系统机理模型得到动力系统模型结构,然后在搭建的测试实验平台上完成了转速数据的测量,根据实验数据通过ARX模型辨识出动力系统的模型参数,建立出四旋翼飞行器动力系统模型并设计了PI控制器。通过系统仿真与实际测量验证,结果表明：对应用参数辨识后的四旋翼动力系统模型进行控制时,系统的快速性和稳定性都有明显的提高。     

应用在系统辨识中的一种改进的遗传神经网络模型

分析了传统系统辨识方法和神经网络方法各自的优缺点,提出一种应用在强非线性系统辨识中的遗传神经网络模型。针对神经网络的收敛速度和全局收敛性的缺陷,分别采用高速收敛算法和遗传算法进行了改进,取得了较为满意的结果。针对神经网络泛化能力差不易应用的缺点,使用了结构进化方法和结构设计方法中的剪枝算法来改善模型的泛化能力。最后使用2个模拟信号进行仿真试验,结果与分析的结论一致。