【摘 要】
：
针对传统控制方法在溶解氧浓度控制中难以取得良好效果,本文提出了一种基于自组织T-S 模糊神经网络的控制方法,对污水处理过程中溶解氧浓度进行实时控制。其实质就是判断模糊规则层激活强度的大小,自组织调整神经元数量,选择合适的控制结构。同时采用梯度下降法对各参数及学习率进行实时调整,加快收敛速度。并将该控制器运用在BSM1 中进行实验,结果表明,SO-TSFNN 控制系统能够较好的实现对溶解氧浓度的控制
【机 构】
：
北京工业大学 电子信息与控制工程学院 计算智能与智能系统北京市重点实验室,北京 100124
论文部分内容阅读
针对传统控制方法在溶解氧浓度控制中难以取得良好效果,本文提出了一种基于自组织T-S 模糊神经网络的控制方法,对污水处理过程中溶解氧浓度进行实时控制。其实质就是判断模糊规则层激活强度的大小,自组织调整神经元数量,选择合适的控制结构。同时采用梯度下降法对各参数及学习率进行实时调整,加快收敛速度。并将该控制器运用在BSM1 中进行实验,结果表明,SO-TSFNN 控制系统能够较好的实现对溶解氧浓度的控制；同时还具有较好的自适应性和鲁棒性。
其他文献
软测量技术是解决流程工业中一类难以在线测量变量估计问题的有效方法。本文提出了一种基于核偏最小二乘方法(KPLS)和最小二乘支持向量机的航煤闪点和干点软测量建模方法，采用核偏最小二乘方法对输入变量进行数据压缩，消除变量之间的相关性，简化最小二乘支持向量机模型结构，并通过混沌粒子群—模拟退火方法对最小二乘支持向量机的参数进行优化选择。将优化结果应用于CDU 航煤闪点和干点软测量建模，结果表明：该方法具
为了降低建筑能耗影响因素间复杂相关性对模型性能的影响，建立了一种基于KPCA-WLSSVM 的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩，消除变量之间的相关性，简化模型结构；进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型，同时结合一种新型混沌粒子群—模拟退火混合优化(CPSO-SA)算法对模型参数进行优化，以提高模型的预测性能及泛化能力。通过将KP
单一模型预测精度不够以及风速序列的非平稳和随机的特点,提出一种局部均值分解法(Local MeanDecomposition,LMD)和改进的Elman 动态网络的组合预测模型,即LMD-Elman 组合预测方法.该方法首先运用局部均值分解法将原始风速序列分解成具有各自特点的分量,然后根据每个分量各自的特点建立不同的Elman网络预测模型并将预测结果叠加起来,最后通过功率曲线得到预测功率.实验仿真
红外探测器具有抗干扰能力强、气候环境适应性强、昼夜连续探测等优点，利用红外探测器进行海上搜救可以较好克服人眼的不足。红外探测器的聚焦准确与否直接决定成像质量的好坏及后续目标检测的效果。本文针对自动聚焦技术的重要组成部分——对焦窗口选取和清晰度评价算法展开研究并设计出基于DSP 的红外探测器自动聚焦系统。测试结果表明，本文设计的红外探测器自动聚焦系统运行有效，稳定。
现代化工过程一般有多个操作模态,并且采集的数据不服从单一的高斯或非高斯分布。针对上述化工过程中的多模态与复杂数据分布问题,本文提出了一种新的名叫局部与非局部保持嵌入(Local and nonlocal preserved embedding,LNLPE)的故障检测方法。首先,对训练数据集进行差分处理,利用局部离群因子(Local outlier factor,LOF)策略对差分后的数据进行模态划
针对烧结过程存在不确定性的扰动及存在非线性的特点，本文分析了不确定性因素及控制输入因素对烧结终点的影响，提出了基于线性参数变化(LPV)的烧结终点T-S 模糊模型。首先，建立了烧结终点机理模型，并对机理模型中的相关参数进行了关联性分析。其次，针对机理模型的参数无法直接获取且存在时变不确定性等缺点，对时变参数进行分析，得到基于LPV 的烧结终点模型；最后，采用线性化逼近方法，利用模糊建模方法，建立基
在复杂工业过程产品质量变量的动态软测量建模中，多变量动态时间序列输入变量数据是具有“空间-时间”双重关联结构模式的高维张量数据。本文针对数据的上述特点，将慢特征分析算法张量化拓展，提出了多线性慢特征分析(MSFA)降维算法。该方法首次将张量方法应用到多变量时间序列慢特征分析建模问题，不仅保留了数据的张量原始结构，而且利用了数据动态时间序列的特点，同时克服了数据向量化展开降维方法在输入空间高维时计算
稳态检测，尤其是多变量的稳态检测在过程工程中有着重要的意义。本文提出了采用主元分析法对多变量系统的高维数据进行降维，并结合R 检验法进行稳态检测的方法。理论分析了在降维前后数据的方差保持不变特性，避免了R 稳态检验法在系统变量较多时产生的复杂度增长问题。此方法利用主元分析替代了人为挑选关键变量的过程，减少了对人工的经验知识的依赖。基于精馏塔模型仿真数据进行的稳态检测实例分析验证了方法的有效性。
液压伺服系统属于典型的反馈控制系统，其拥有的可评估参数较少，对液压伺服系统进行有效的健康评估尚无成熟有效的方法，很难用传统的基于传感器原始信号的方法实现液压伺服系统的健康评估，本文提出了一种基于径向基函数RBF 神经网络观测器与高斯混合模型GMM 的液压伺服系统健康评估方法。首先利用RBF 神经网络建立液压伺服系统的故障观测器，利用系统的真实输出和RBF 观测器估计输出之差提取残差信号，通过对残差
RBF 神经网络中心、宽度等参数确定的是否合理将直接影响到RBF 网络的学习性能。通过有监督学习的方法来确定RBF 神经网络的参数是最一般化的方法。研究表明，参数的初始化问题是该类方法的关键所在。为此，提出了一种利用RBM 初始化RBF 神经网络各个参数的新型训练算法。实验仿真表明，与传统RBF 神经网络训练算法相比，该新型算法是具有更高的训练精度与更强的泛化能力。