复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/5392417gydF4y2Ba 5392417gydF4y2Ba 研究文章gydF4y2Ba 多通道控制的变结构神经网络建模的水净化过程中混凝剂加药gydF4y2Ba https://orcid.org/0000 - 0002 - 0137 - 0797gydF4y2Ba 张gydF4y2Ba 荣格ydF4y2Ba 1gydF4y2Ba 罗gydF4y2Ba 大勇gydF4y2Ba 2gydF4y2Ba 李gydF4y2Ba Chun-LaigydF4y2Ba 1gydF4y2Ba 学院的物流和运输gydF4y2Ba 中南林业科技大学gydF4y2Ba 长沙410000gydF4y2Ba 中国gydF4y2Ba csuft.edu.cngydF4y2Ba 2gydF4y2Ba 信息科学与工程学院gydF4y2Ba 中南大学gydF4y2Ba 长沙410075gydF4y2Ba 中国gydF4y2Ba csu.edu.cngydF4y2Ba 2020年gydF4y2Ba 5gydF4y2Ba 8gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 10gydF4y2Ba 04gydF4y2Ba 2020年gydF4y2Ba 20.gydF4y2Ba 06gydF4y2Ba 2020年gydF4y2Ba 5gydF4y2Ba 8gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020张小君和罗大勇。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

随机神经网络具有良好的全局收敛性和基于速度梯度的特点学习能力。它可以应用于多维非线性系统,但其泛化能力差。本文结合规则库,通过主成分分析方法,一种改进的多通道变随机向量(MM-P-VSRVNN)神经网络算法提出了混凝剂加药,这是一个水净化过程的关键生产过程。确保合格的水,如何有效地控制凝固用量,获得有效的生产成本,增加更多的利润是一个专注于水处理计划。不同与正常神经网络模式中,PCA用于优化神经网络隐层节点和更新结构在每一个计算。这种方法矫正投药有效,同时保持有效的混凝性能。顺便说一下,MM-P-VSRVNN算法可以减少计算时间,避免过度拟合的学习能力。最后,方法是通过实验证明是可行的,分析了仿真结果。gydF4y2Ba

 湖南省自然科学基金gydF4y2Ba 2018年jj3891gydF4y2Ba 1。介绍gydF4y2Ba

在水的净化过程中,很重要的一点是混凝剂加药。凝固的作用是使剂量混合胶体粒子和微小的原水中的悬浮物,平息生活体现的无定形物质凝固和沉淀池。混凝剂加药是一个复杂的、物理和化学过程与时变延迟,和非线性特征。此外,仍有许多实际因素,如pH值、浊度水流速和混凝剂量,影响混凝性能。在许多关于混凝剂剂量的引用,大多数水厂采取两种方法,即人工计量和自动计量。手动加药主要取决于工人的经验,是一个明显的开环控制方法。很难有效地节约成本。第二个是自动加药;其控制方法与实际水厂相关技术。仍然没有统一的控制方法。 Currently, PID control and feedforward control are commonly used, but some water plants still work in manual dosing. Take a water plant in Changsha as an example. Its coagulation effect takes about 90 minutes of delay, and the turbidity after coagulation, named turbidity before filtration, is generally about 5 NTU or less. And the most important thing is that the water plants are still in manual dosing that needs more workers to work by turns. The above being concerned, how to complete coagulant dosing automatically is a hot problem. At present, the automatic control of coagulant dosing mainly adopts a single-factor closed-loop method, which needs to change the method from traditional PID control to intelligent control for complex control objects [ 1gydF4y2Ba,gydF4y2Ba 2gydF4y2Ba]。研究人员需要一些预测完成混凝剂加药不同的制造技术。有些人试图找到一种混凝剂剂量的数学模型,所示(gydF4y2Ba 3gydF4y2Ba- - - - - -gydF4y2Ba 7gydF4y2Ba]。在[gydF4y2Ba 3gydF4y2Ba),基于迭代反馈优化(IFT),史密斯预测控制相结合,提出了一种数据驱动的直接控制方法不需要理解实际的时滞对象模型。它可以初始化控制器,在线自调整。在[gydF4y2Ba 4gydF4y2Ba),研究水厂混凝剂加药过程后,前馈和反馈控制方法结合广义预测控制(GPC)和PID提出了剂量。在[gydF4y2Ba 5gydF4y2Ba),两级控制结构为目标剂量计算和动态优化设计的混凝剂加药系统。模型预测控制(MPC),一个粗鲁的人控制方法,需要较少的控制对象的信息并通过仿真证明了其有效性。在[gydF4y2Ba 6gydF4y2Ba),本文在分析混凝剂加药的结构和原理,并使用预测autodisturbance拒绝控制(PADRC)控制器设计一个在线自调整剂量。在[gydF4y2Ba 7gydF4y2Ba),提出了一种多通道控制策略基于人工智能的模拟实际操作没有任何手动控制,确保混凝剂剂量的影响。混凝剂用量主要取决于系统的计算结果的准确性的数学模式。因此,精确建模是最难实现的目标。gydF4y2Ba

与人工神经网络(ANN)的发展,它提供了另一个数据驱动的解决方案没有任何这种非线性系统数学模型。常用的安还包括径向基函数(RGF)神经网络反向传播(BP)神经网络控制清晰度(CMCA)小脑模型神经网络和自组织神经网络。有些人运用这些类型的前馈神经网络在混凝剂加药,所示(gydF4y2Ba 8gydF4y2Ba- - - - - -gydF4y2Ba 11gydF4y2Ba]。在[gydF4y2Ba 8gydF4y2Ba),预测控制策略提出了混凝剂加药在污水处理过程中,建立一种自适应神经网络模型分析剂量和去垢力之间的关系,它是由梯度下降优化的方法。在[gydF4y2Ba 9gydF4y2Ba),RBF神经网络预测提出了一种前馈补偿。对于单输入和系统中,非线性自回归移动平均模型建立和预测混凝剂加药。在[gydF4y2Ba 10gydF4y2Ba]在分析原水的特点,找出相关因素的混凝剂加药,前馈控制器设计与小脑模型神经网络与模糊算法相结合,在线和离线建模完成为了实现优化和预测投药。在[gydF4y2Ba 11gydF4y2Ba),建立了神经网络和自适应模糊模型来模拟混凝剂加药过程。最后,仿真证明有效。把神经网络模型是可行的,较低的要求,自主学习能力和泛化能力。这种方法可以应用于复杂的工业过程,没有建立一个精确的数学模型(gydF4y2Ba 12gydF4y2Ba]。然而,这些提到gradient-learning算法有一个明显的问题:过度拟合能力和局部最优。所以,小很难设计一个特定的神经网络结构不变的灵活性较低。gydF4y2Ba

为提高神经网络,目前,随机向量神经网络近年来发展迅速,因为他们的学习速度和泛化能力比传统的神经网络算法(gydF4y2Ba 13gydF4y2Ba,gydF4y2Ba 14gydF4y2Ba]。在许多应用程序中,随机向量中也使用了神经网络非线性复杂系统和有效验证gydF4y2Ba 15gydF4y2Ba- - - - - -gydF4y2Ba 18gydF4y2Ba]。正如我们所知,水净化本身是一个非线性的复杂工业过程;混凝剂加药的动力机制是复杂的,内部状态尚不清楚。如果我们需要找到输入和输出之间的功能关系因素对混凝剂加药,很难在建立一个数学模型。在本文中,我们选择一个水生植物在长沙作为目标和分析其混凝剂加药过程和相关因素。考虑建立神经网络模型的困难,我们提出一种变结构神经网络随机向量(VS-RVNN)模型对在线学习优化混凝剂用量。gydF4y2Ba

 2。分析和建模为混凝剂量的过程gydF4y2Ba 2.1。分析混凝剂量的过程gydF4y2Ba

水净化过程主要包括药品管理局,coagulation-sedimentation,过滤,氯消毒。每个子过程是独立的,相互关联的。凝固过程由数据取样器,控制器,coagulation-sedimentation坦克,和执行设备。在长沙水厂为例,其过程如图gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

凝固过程的示意图。gydF4y2Ba

当原水经过水泵房,浊度和流速测量之前凝结水箱。此外,在混凝剂和自来水混合在一个适当的比例,混合进入凝结水箱由计量泵和执行与原水混凝反应。混凝剂加药会影响大约90分钟后,意味着一个延期的过程。出口的坦克,浊度测量一次,判断其值是否达到设置值。关键是必要的数据采样设备,计算由控制器和一个最佳混凝剂加药泵操作。泵调整速度和优化在线混凝剂用量。正如我们所知,混凝剂加药过程是复杂的,多种多样,和非线性,长时间的推迟。它不能找到直接输入和输出之间的关系的信息。所以,不容易建立正确的数学模型。gydF4y2Ba

 2.2。建模和控制混凝剂加药过程gydF4y2Ba

有三种常见的建模方法在当前,即机制模型、知识模型和数据驱动的模型。首先,机制模型过多依赖于系统内部机制。然而,一个系统变得比以前更多的非线性和强耦合;其内部机制复杂,无法显示明显和清晰的公式。其次,基于知识的模型主要是依靠有限的专业知识较差的适应性。最后,数据驱动模型不需要知道系统的内部状态;然而,它仍然可以预测和给一个合理的决定,很多的数据分析和智能推理。在分析三种方法,建立一个数据驱动的模型已经成为一个强大的方法,近年来一个复杂的系统。神经网络模型(NNM)就是其中之一,可以处理不精确和复杂的信息的复杂的系统gydF4y2Ba 19gydF4y2Ba- - - - - -gydF4y2Ba 21gydF4y2Ba]。摘要混凝剂加药过程就是这样一种没有分析其机理,收集不足和不准确的专家知识。然而,混凝剂加药过程独立运行;必要的参数可以测量和监控。在长沙水生植物作为一个例子,供水在不同的时间在不同的季节和不同的一天。特别是在高峰期,供水必须大幅增加。然后,投药将预测,适当提前。此外,有两个主要目标水生植物在当前问题。一个是它仍然需要简单的手动加药。另一个问题是系统延迟有点长,和工作条件是多变的。 So, only one simple NNM cannot work useful with abrupt events. Through local investigation, we gather related data and get to a conclusion: turbidity, flow velocity, working pumps affect coagulation obviously. Other parameters such as pH and water temperature also affect coagulation slowly. How to control coagulant dosage is a concerned topic. It satisfies turbidity while decreasing production cost as much as possible. To sum up, aiming at the actual object, a nonlinear autoregressive multimode (NARM) is set up as follows: (1)gydF4y2Ba YgydF4y2Ba tgydF4y2Ba =gydF4y2Ba fgydF4y2Ba 1gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba −gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba kgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba kgydF4y2Ba tgydF4y2Ba −gydF4y2Ba pgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba 当模态gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba −gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba kgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba kgydF4y2Ba tgydF4y2Ba −gydF4y2Ba pgydF4y2Ba kgydF4y2Ba ,gydF4y2Ba YgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba YgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba 当模态gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 历史数据也担心的地方。提供了一个多峰函数公式(gydF4y2Ba 1gydF4y2Ba)。gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba 是输入的数据集,gydF4y2Ba YgydF4y2Ba tgydF4y2Ba 是输出,gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 是落后一步gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba fgydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba 各自不同的非线性输入参数和输出参数之间的关系在不同的模式。结合NARM,为解决上述两个问题有关,我们设计一个多通道控制方案,如图gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

混凝剂加药的多通道控制图。gydF4y2Ba

控制方案,规则库(RB)包含大量的计量参数和几个模态决策规则。最重要的焦点是变random-weight神经网络(VS-RVNN)。它可以建立变结构神经网络可以优化模型和online-compute最佳剂量。RB将提供合适的计量泵的操作参数。所有数据都将一个计算完成后存储在数据库中。根据混凝剂的相关因素进行定量的分析这一部分,RB将决定系统的工作状态,选择最合适的模式,并纠正存在的规则。神经网络控制器更新目标价值和训练数据集,不同的计算模型,计算最佳剂量,并保持连续循环操作。整个控制方法主要结合了RB和VS-RVNN MM-P-VSRVNN算法和设计。设计出的数字gydF4y2Ba 3gydF4y2Ba和gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

规则库的图(RB)。gydF4y2Ba

多通道神经网络的图。gydF4y2Ba

在图gydF4y2Ba 3gydF4y2Ba关于RB,我们设置多个模式和设计模式切换器。通过已定义的主要影响因素,构建一系列的决策规则和分类设计模式。这些规则的判断标准也切换模式。此外,在每一个模式中,有一些关于水泵控制参数的典型的控制规则。选择的控制规则将会连接到安控制器作为指导原则进行进一步的优化。gydF4y2Ba

在图gydF4y2Ba 4gydF4y2Ba,我们设计一个初始NNM在最左边的一个隐层节点的初始值。实时数据采样时,再次NNM法官工作模式,需要一个新的计算后再培训相应的神经网络训练数据,和隐层节点减少gydF4y2Ba lgydF4y2Ba 来gydF4y2Ba KgydF4y2Ba 我gydF4y2Ba 通过主成分分析gydF4y2Ba 当模式gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,神经网络用于实时更新的结构计算。这意味着NNM会gydF4y2Ba ngydF4y2Ba 类型结构后,主成分分析维度。gydF4y2Ba

符号:NNM,提出图gydF4y2Ba 4gydF4y2Ba变结构。因为隐层节点的数量始终是一个关键的建模、NNM是不固定的,当我们执行主成分分析(PCA)对隐层节点。所以,NNM结构变量在每个计算。该方法可以有效地解决过度拟合的问题,神经网络的鲁棒性,提高计算速度和泛化能力。gydF4y2Ba

 3所示。MM-P-VSRVNN算法gydF4y2Ba

结合部分gydF4y2Ba 2。2gydF4y2Ba,整个算法主要包括两个部分,即模态切换和PCA降维。由MM-P-VSRVNN执行预测算法。它有两个阶段:离线和在线优化建模。gydF4y2Ba

在这里,整个算法步骤如下:gydF4y2Ba

在计算之前,我们选择一个多通道为训练样本数据集:gydF4y2Ba ZgydF4y2Ba =gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba kgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba kgydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 当模式gydF4y2Ba =gydF4y2Ba kgydF4y2Ba 。每种模式都有其独立的数据子集gydF4y2Ba ZgydF4y2Ba 我gydF4y2Ba 当模式gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba 在里面。gydF4y2Ba

步骤1:样本的实时数据,判断RB的工作模式。例如,如果gydF4y2Ba 模式gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ,它给NNM和开关的决定gydF4y2Ba 我gydF4y2Ba控制策略。gydF4y2Ba

第二步:建立一个VS-RVNN随机层(gydF4y2Ba lgydF4y2Ba 节点)和一个输出层(gydF4y2Ba NgydF4y2Ba 节点)。的初始值gydF4y2Ba lgydF4y2Ba 设置为60。随机层可以由隐藏层和输入层。gydF4y2Ba

步骤3:把相应的数据子集NNM的训练样本。然后,定义为随机的功能层gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba NgydF4y2Ba θgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba NgydF4y2Ba 当模式=gydF4y2Ba k。gydF4y2Ba

然后,定义为随机的功能层gydF4y2Ba

 (2)gydF4y2Ba ggydF4y2Ba jgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba jgydF4y2Ba =gydF4y2Ba φgydF4y2Ba jgydF4y2Ba ωgydF4y2Ba jgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba bgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba jgydF4y2Ba ≤gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba ωgydF4y2Ba jgydF4y2Ba =gydF4y2Ba ωgydF4y2Ba jgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ωgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba ωgydF4y2Ba jgydF4y2Ba ngydF4y2Ba 是输入的重量吗gydF4y2Ba jgydF4y2Ba隐层节点,gydF4y2Ba bgydF4y2Ba jgydF4y2Ba 的阈值gydF4y2Ba jgydF4y2Ba隐层节点,gydF4y2Ba θgydF4y2Ba jgydF4y2Ba =gydF4y2Ba ωgydF4y2Ba ωgydF4y2Ba jgydF4y2Ba jgydF4y2Ba ¯gydF4y2Ba 是random-weight向量的隐层节点,然后呢gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba 是输入到网络。gydF4y2Ba

第四步:设定培训目标,并开始训练NNM和给定的数据子集。gydF4y2Ba

第五步:让gydF4y2Ba GgydF4y2Ba hgydF4y2Ba =gydF4y2Ba ggydF4y2Ba jgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba jgydF4y2Ba 。重复步骤4直到运行培训满足给定的目标。否则,它再次重启在步骤2计算。gydF4y2Ba

第六步:构造一个random-layer培训矩阵gydF4y2Ba GgydF4y2Ba =gydF4y2Ba GgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba GgydF4y2Ba HgydF4y2Ba TgydF4y2Ba 。每一列的gydF4y2Ba GgydF4y2Ba 代表一个random-layer输出节点,每一行代表一个训练样本的输出。gydF4y2Ba

第七步:执行培训矩阵加权不同gydF4y2Ba GgydF4y2Ba 和删除其非线性或多通道特性。接下来,继续规范gydF4y2Ba GgydF4y2Ba 。然后,标准化矩阵gydF4y2Ba GgydF4y2Ba ¯gydF4y2Ba ,并找到它的相关系数矩阵gydF4y2Ba 年代gydF4y2Ba ¯gydF4y2Ba 每列,这符合其平均值就是0和标准偏差是1:gydF4y2Ba

 (3)gydF4y2Ba 年代gydF4y2Ba ¯gydF4y2Ba =gydF4y2Ba rgydF4y2Ba 11gydF4y2Ba rgydF4y2Ba 12gydF4y2Ba 。。gydF4y2Ba rgydF4y2Ba 1gydF4y2Ba lgydF4y2Ba rgydF4y2Ba 21gydF4y2Ba rgydF4y2Ba 22gydF4y2Ba 。。gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba lgydF4y2Ba 。。gydF4y2Ba 。。gydF4y2Ba 。。gydF4y2Ba 。。gydF4y2Ba rgydF4y2Ba lgydF4y2Ba 1gydF4y2Ba rgydF4y2Ba lgydF4y2Ba 2gydF4y2Ba 。。gydF4y2Ba rgydF4y2Ba lgydF4y2Ba lgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 表示变量之间的相关系数gydF4y2Ba 我gydF4y2Ba 和变量gydF4y2Ba jgydF4y2Ba 。在那之后,特征值分解gydF4y2Ba 年代gydF4y2Ba ¯gydF4y2Ba 完成,特征值gydF4y2Ba λgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba λgydF4y2Ba lgydF4y2Ba 和特征向量gydF4y2Ba 年代gydF4y2Ba ¯gydF4y2Ba 计算,这些特征值按大小排序。gydF4y2Ba

第八步:计算每个特征值的贡献率,所有特征值排序总结组件添加一个接一个的贡献率和计算是否超过95%。如果是,那么计算gydF4y2Ba dgydF4y2Ba 主要组件数量和构造一个传递矩阵:gydF4y2Ba

 (4)gydF4y2Ba pgydF4y2Ba =gydF4y2Ba pgydF4y2Ba 11gydF4y2Ba pgydF4y2Ba 12gydF4y2Ba 。。gydF4y2Ba pgydF4y2Ba 1gydF4y2Ba lgydF4y2Ba pgydF4y2Ba 21gydF4y2Ba pgydF4y2Ba 22gydF4y2Ba 。。gydF4y2Ba pgydF4y2Ba 2gydF4y2Ba lgydF4y2Ba 。。gydF4y2Ba 。。gydF4y2Ba 。。gydF4y2Ba 。。gydF4y2Ba pgydF4y2Ba kgydF4y2Ba 1gydF4y2Ba pgydF4y2Ba kgydF4y2Ba 2gydF4y2Ba 。。gydF4y2Ba pgydF4y2Ba kgydF4y2Ba lgydF4y2Ba 当模式gydF4y2Ba =gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba

基于相应的gydF4y2Ba dgydF4y2Ba特征向量,random-layer矩阵gydF4y2Ba GgydF4y2Ba ¯gydF4y2Ba 满足和满足平等吗gydF4y2Ba GgydF4y2Ba ^gydF4y2Ba =gydF4y2Ba GgydF4y2Ba PgydF4y2Ba 。gydF4y2Ba

第九步:将收集到的最新样本输入NNM和计算每个输出层节点的函数值gydF4y2Ba fgydF4y2Ba lgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba βgydF4y2Ba jgydF4y2Ba ggydF4y2Ba jgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba lgydF4y2Ba ≤gydF4y2Ba NgydF4y2Ba 。所有必要的数据存储。gydF4y2Ba

第十步:比较预测结果与RB的剂量值,泵在线的正确控制参数,并完成计量。gydF4y2Ba

步骤11:更新训练样本集。gydF4y2Ba

步骤12:等待下一个采样,重复的工作步骤1 - 11所示。gydF4y2Ba

符号:与传统RVNN相比,RS-RVNN可以执行模式切换和培训原始神经网络与相应的数据集和系统状态的控制。隐层节点的输出矩阵是通过多个培训时间和可以通过PCA降维。不同模式下可以优化神经网络结构,确保系统的连续稳定。此外,神经网络控制器实现了变结构的动态优化。网络训练期间执行模式切换,提高了控制器的灵活性。gydF4y2Ba

4所示。实验结果和讨论gydF4y2Ba

在本文中,我们分析了长沙实际水净化过程的水的植物。这种植物建立了两阶段的项目,主要有两个储罐,明矾坦克、凝结水箱和泵车间产能扩张。现在,其中一个是工作。水净化过程与相关参数显示及时存储在系统数据库中。混凝剂加药系统图所示gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

剂量的图系统。gydF4y2Ba

通过这些应用仪器和机电设备提供的数据,我们选择的重要因素与凝结效率:浊度过滤(南大)之前,原水的浊度(南大),排出的水gydF4y2Ba 米gydF4y2Ba 3gydF4y2Ba /gydF4y2Ba hgydF4y2Ba 水温(°C)的频率gydF4y2Ba 赫兹gydF4y2Ba pH值,泵冲程(百分比),目标浊度(南大),历史数据的浊度(南大),水的流量gydF4y2Ba 米gydF4y2Ba 3gydF4y2Ba /gydF4y2Ba hgydF4y2Ba 、混凝剂加药gydF4y2Ba 米gydF4y2Ba 3gydF4y2Ba /gydF4y2Ba hgydF4y2Ba 。这些是准备建立一个NNM。他们两个,目标浊度(南大)和预测混凝剂加药的价值gydF4y2Ba 米gydF4y2Ba 3gydF4y2Ba /gydF4y2Ba hgydF4y2Ba NNM的产量目标。从第2部分和第3部分,不能确定隐层节点的数量。NNM,我们设置一个初始值(60)隐层节点,利用主成分分析法(PCA)可以减少。然后,NNM的结构进行优化,预测投药。一个新的NNM P-VSRVNN命名。gydF4y2Ba

混凝剂加药过程包含3工作模式。在这个实验中,我们选择1000组数据。其中,960年分为3组数据子集训练不同的工作模式。和每个子集包括320组数据。剩下的数据也分为3种类型进行测试。每小时获得的一组新的数据采样,包括连接信息工作模式。我们需要设置不同的NNMs为每个不同的训练集,整个实验包括如下工作。整个控制模型中提到的纸被称为MM-P-VSRVNN。gydF4y2Ba

(1)NARM描述,构建一个有效的优化VSRVNN是一个关键的工作。主要计算节点的贡献约为95%,保留相应的节点,并避免过度拟合的学习。VSRVNN与利用主成分分析法(PCA)更新训练集构造的离线,这可以减少60原始隐层节点gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 当它在工作gydF4y2Ba 我gydF4y2Bath模式。降维的40组测试设置表中列出gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

利用主成分分析法(PCA)降维为NNM(40组)。gydF4y2Ba

数据集(集团)gydF4y2Ba 模态gydF4y2Ba 隐层节点后的主成分分析gydF4y2Ba
1gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
2gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
3gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
4gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba
5gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba
6gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba
7gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba
8gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba
9gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
10gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
11gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
12gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba
13gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba
14gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba
15gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
16gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
17gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba
18gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
19gydF4y2Ba 3gydF4y2Ba 7gydF4y2Ba
20.gydF4y2Ba 3gydF4y2Ba 8gydF4y2Ba
21gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
22gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
23gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
24gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
25gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
26gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
27gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba
28gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba
29日gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
30.gydF4y2Ba 3gydF4y2Ba 8gydF4y2Ba
31日gydF4y2Ba 3gydF4y2Ba 7gydF4y2Ba
32gydF4y2Ba 2gydF4y2Ba 7gydF4y2Ba
33gydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba
34gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
35gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
36gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
37gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
38gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba
39gydF4y2Ba 1gydF4y2Ba 9gydF4y2Ba
40gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba

表gydF4y2Ba 1gydF4y2Ba告诉我们,VSRVNN变量在不同的结构模式。即使在相同的模式,优化的结果可能不是相同的。的价值gydF4y2Ba kgydF4y2Ba 从7日至9日,8是绝大多数。以一个计算为例,前8个主成分的分析结果如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

首先利用主成分分析法(PCA) 8个主成分的特征值和方差贡献计算。gydF4y2Ba

主成分gydF4y2Ba 特征值gydF4y2Ba 方差贡献(百分比)gydF4y2Ba 累积方差贡献(百分比)gydF4y2Ba
1gydF4y2Ba 20.1607660138651gydF4y2Ba 33.6012766897752gydF4y2Ba 33.6012766897752gydF4y2Ba
2gydF4y2Ba 14.1382412479112gydF4y2Ba 23.5637354131853gydF4y2Ba 57.1650121029605gydF4y2Ba
3gydF4y2Ba 9.55968664322995gydF4y2Ba 15.9328110720499gydF4y2Ba 73.0978231750104gydF4y2Ba
4gydF4y2Ba 5.33738215800062gydF4y2Ba 8.89563693000104gydF4y2Ba 81.9934601050114gydF4y2Ba
5gydF4y2Ba 4.28516886114769gydF4y2Ba 7.14194810191281gydF4y2Ba 89.1354082069243gydF4y2Ba
6gydF4y2Ba 1.83532313856500gydF4y2Ba 3.05887189760834gydF4y2Ba 92.1942801045326gydF4y2Ba
7gydF4y2Ba 1.24409369821930gydF4y2Ba 2.62008336345786gydF4y2Ba 94.2677696015648gydF4y2Ba
8gydF4y2Ba 0.895336966029005gydF4y2Ba 1.49222827671501gydF4y2Ba 95.7599978782798gydF4y2Ba

前8个主成分的影响被添加到超过95%,显示在VSRVNN。因为它的训练集的变化后计算,优化结果也不同,但仍满足节点贡献95%。(2)检查VSRVNN的有效性,我们计划一个名为MM-P-VSRVNN的算法。并对比其预测结果与实际值,总40分图所示gydF4y2Ba 6gydF4y2Ba和gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

混凝剂用量的预测和实际价值。gydF4y2Ba

过滤前预测和实际价值的浊度。gydF4y2Ba

两个参数比较数据分开。实线贴上“gydF4y2Ba •gydF4y2Ba ”符号是实际用量,另一行标记为“gydF4y2Ba ∘gydF4y2Ba “预计用量。在该测试中,预计用量变化的实际价值和保持一致的趋势。在图平均预测用量减少了约0.4165%gydF4y2Ba 6gydF4y2Ba;与此同时,平均预测图浊度增加约0.5%gydF4y2Ba 7gydF4y2Ba。仿真结果对企业是可以接受的。对他们来说,它已经满足需求的水净化过程,降低混凝剂用量,节省制造总成本在一定程度上。(3)进一步测试分析的性能MM-P-VSRVNN相比与其他三个类似的算法。其他类似的算法single-modal随机向量神经网络(SM-RVNN),降维后SM-RVNN (SM-P-RVNN)和多通道随机向量神经网络(MM-RVNN)。预测结果对比,在视觉上,如图gydF4y2Ba 8gydF4y2Ba和gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

预测输出剂量与四个不同的算法。gydF4y2Ba

之前预测输出浊度与四个不同的过滤算法。gydF4y2Ba

相反,所有的算法都与他们的统计参数,分别命名为均方根误差(RMSE),平均绝对误差(MAE)和标准偏差(SD)。由不同方法和统计结果计算表所示gydF4y2Ba 3gydF4y2Ba和gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

统计结果比较中四个算法预测过滤前浊度。gydF4y2Ba

预测浊度gydF4y2Ba MM-P-VSRVNNgydF4y2Ba MM-RVNNgydF4y2Ba SM-P-RVNNgydF4y2Ba SM-RVNNgydF4y2Ba
平均值(南大)gydF4y2Ba 5.026066gydF4y2Ba 5.0387364gydF4y2Ba 5.0339242gydF4y2Ba 5.0571979gydF4y2Ba
RMSEgydF4y2Ba 0.0546gydF4y2Ba 0.0735gydF4y2Ba 0.0773gydF4y2Ba 0.0968gydF4y2Ba
美gydF4y2Ba 0.1918gydF4y2Ba 0.2303gydF4y2Ba 0.2365gydF4y2Ba 0.2817gydF4y2Ba
SDgydF4y2Ba 0.0480gydF4y2Ba 0.0653gydF4y2Ba 0.0670gydF4y2Ba 0.0781gydF4y2Ba

统计结果比较中四个算法预测过滤前剂量。gydF4y2Ba

预测用量gydF4y2Ba MM-P-VSRVNNgydF4y2Ba MM-RVNNgydF4y2Ba SM-P-RVNNgydF4y2Ba SM-RVNNgydF4y2Ba
平均值(mgydF4y2Ba3gydF4y2Ba/小时)gydF4y2Ba 0.09853900gydF4y2Ba 0.10123137gydF4y2Ba 0.10128999gydF4y2Ba 0.10019643gydF4y2Ba
RMSEgydF4y2Ba 0.0013gydF4y2Ba 0.0016gydF4y2Ba 0.0020gydF4y2Ba 0.0063gydF4y2Ba
美gydF4y2Ba 0.0396gydF4y2Ba 0.0587gydF4y2Ba 0.0650gydF4y2Ba 0.0645gydF4y2Ba
SDgydF4y2Ba 0.0251gydF4y2Ba 0.0273gydF4y2Ba 0.0282gydF4y2Ba 0.0276gydF4y2Ba

这四个提到的算法使用相同的数据集和原始模式。在图gydF4y2Ba 6gydF4y2Ba,本文提供的方法具有更好的结果准确性和趋势。它证明,定量计算后,MM-P-VSRVNN可以优化神经网络模式和分类操作模式,导致一个更好的预测。gydF4y2Ba

(4)改善MM-P-VSRVNN的泛化能力,NNM需要新一批新的测量数据计算一次。然后,NNM因为不同隐层节点进行了优化。现在,对于进一步检查,下一个实验改变了隐层节点数从1到20和计算RMSE不同的算法。这些结果与MM-P-VSRVNN所提供的数据gydF4y2Ba 10gydF4y2Ba和gydF4y2Ba 11gydF4y2Ba。gydF4y2Ba

RMSE预测用量的不同算法当隐层节点不同的从1到20。gydF4y2Ba

RMSE预测浊度的不同算法当隐层节点不同的从1到20。gydF4y2Ba

在数据gydF4y2Ba 10gydF4y2Ba和gydF4y2Ba 11gydF4y2Ba,MM-P-VSRVNN提供论文中有较低的RMSE和更好的泛化能力,从而避免了神经网络操作时过度拟合问题。gydF4y2Ba

符号:所有的实验中,我们知道,隐层节点的数量需要一个新的更新发生新的计算时,计算模式进行了优化,系统提供了一个合适的结果。顺便说一下,这个计算RMSE也是操作直到隐层节点增加到300,但是我们发现操作时间太长,和对比结果是模糊的。因此,考虑到已知信息,我们设置了最大数量为20。gydF4y2Ba

 5。结论gydF4y2Ba

本文在水净化过程中混凝剂加药在长沙水工厂。在分析实际过程和以前的控制模式,我们提出一个NNM和应用一个新的MM-P-VSRVNN剂量算法预测。这NNM由MM-P-VSRVNN优化算法并给出一个适当的控制来执行一个新的动态计量结果。最后,我们还进行一系列的实验设计NNM和其算法证明了实用性。算法提供了一种改进的方法,和混凝剂加药自动控制实现。gydF4y2Ba

 数据可用性gydF4y2Ba

所有的数据用于支持本研究的结果包括在本文中。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项研究是由湖南省自然科学基金(批准号2018 jj3891)。gydF4y2Ba

 ŁawryńczukgydF4y2Ba M。gydF4y2Ba 显式非线性预测控制的蒸馏塔基于神经模型gydF4y2Ba 化学工程与技术gydF4y2Ba 2009年gydF4y2Ba 32gydF4y2Ba 10gydF4y2Ba 1578年gydF4y2Ba 1587年gydF4y2Ba 10.1002 / ceat.200900074gydF4y2Ba 2 - s2.0 - 70349932421gydF4y2Ba 公园gydF4y2Ba 我。gydF4y2Ba 荣格gydF4y2Ba 纽约。gydF4y2Ba 夸克gydF4y2Ba K.-C。gydF4y2Ba 春gydF4y2Ba M.-G。gydF4y2Ba 在水库水质预测:语言区间预测模型方法gydF4y2Ba 国际期刊的控制、自动化和系统gydF4y2Ba 2010年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 868年gydF4y2Ba 874年gydF4y2Ba 10.1007 / s12555 - 010 - 0420 - 4gydF4y2Ba 2 - s2.0 - 77957900231gydF4y2Ba 雪峰gydF4y2Ba 答:W。gydF4y2Ba 数据驱动的直接控制方法对大滞后过程的凝固剂量在水中植物gydF4y2Ba 控制理论与应用gydF4y2Ba 2019年gydF4y2Ba 28gydF4y2Ba 3gydF4y2Ba 336年gydF4y2Ba 344年gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 罗gydF4y2Ba D。gydF4y2Ba GPC控制和PID控制混凝剂加药gydF4y2Ba 信息和控制gydF4y2Ba 2012年gydF4y2Ba 41gydF4y2Ba 1gydF4y2Ba 89年gydF4y2Ba 94年gydF4y2Ba 陈gydF4y2Ba G。gydF4y2Ba 宁gydF4y2Ba R。gydF4y2Ba 两层混凝剂加药系统的预测控制策略gydF4y2Ba 浙江大学技术杂志》上gydF4y2Ba 2013年gydF4y2Ba 41gydF4y2Ba 4gydF4y2Ba 436年gydF4y2Ba 441年gydF4y2Ba 唐gydF4y2Ba D。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba 设计活动扰动抑制控制器凝固定量预测gydF4y2Ba 中国控制工程gydF4y2Ba 2017年gydF4y2Ba 24gydF4y2Ba 10gydF4y2Ba 2099年gydF4y2Ba 2108年gydF4y2Ba 李gydF4y2Ba R。gydF4y2Ba 吴gydF4y2Ba Q。gydF4y2Ba 刘gydF4y2Ba B。gydF4y2Ba 多通道控制和不确定性的复杂的过程生申请混凝剂用量的水净化gydF4y2Ba 辽宁科技大学学报(自然科学)gydF4y2Ba 2016年gydF4y2Ba 35gydF4y2Ba 2gydF4y2Ba 211年gydF4y2Ba 214年gydF4y2Ba MingzhigydF4y2Ba H。gydF4y2Ba 马gydF4y2Ba Y。gydF4y2Ba 金泉gydF4y2Ba W。gydF4y2Ba 严gydF4y2Ba W。gydF4y2Ba 模拟一个造纸厂污水处理使用模糊神经网络gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2009年gydF4y2Ba 36gydF4y2Ba 3gydF4y2Ba 5064年gydF4y2Ba 5070年gydF4y2Ba 10.1016 / j.eswa.2008.06.006gydF4y2Ba 2 - s2.0 - 58349085319gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 刘gydF4y2Ba 年代。gydF4y2Ba 气gydF4y2Ba W。gydF4y2Ba 混凝剂用量的RBF网络预测控制gydF4y2Ba 系统仿真学报gydF4y2Ba 2017年gydF4y2Ba 21gydF4y2Ba 1 7gydF4y2Ba 5540年gydF4y2Ba 5545年gydF4y2Ba 徐gydF4y2Ba 年代。gydF4y2Ba 刘gydF4y2Ba D。gydF4y2Ba 刘gydF4y2Ba B。gydF4y2Ba 应用模糊算法的混凝剂加药系统中多个小脑模型神经网络gydF4y2Ba 计算机应用与软件gydF4y2Ba 2016年gydF4y2Ba 33gydF4y2Ba 10gydF4y2Ba 52gydF4y2Ba 57gydF4y2Ba 吴gydF4y2Ba g . d。gydF4y2Ba 罗gydF4y2Ba S.-L。gydF4y2Ba 预测实时水处理混凝剂用量,人工神经网络和自适应基于网络的模糊推理系统gydF4y2Ba 人工智能技术的工程应用gydF4y2Ba 2008年gydF4y2Ba 21gydF4y2Ba 8gydF4y2Ba 1189年gydF4y2Ba 1195年gydF4y2Ba 10.1016 / j.engappai.2008.03.015gydF4y2Ba 2 - s2.0 - 54049119210gydF4y2Ba 元gydF4y2Ba M。gydF4y2Ba 周gydF4y2Ba P。gydF4y2Ba 李gydF4y2Ba m . L。gydF4y2Ba 李gydF4y2Ba r F。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 柴gydF4y2Ba t Y。gydF4y2Ba 聪明的多变量模型高炉molteniron质量基于动态AGA-ANN和主成分分析gydF4y2Ba 钢铁研究学报,国际gydF4y2Ba 2015年gydF4y2Ba 22gydF4y2Ba 60gydF4y2Ba 487年gydF4y2Ba 495年gydF4y2Ba 10.1016 / s1006 - 706 x (15) 30031 - 5gydF4y2Ba 2 - s2.0 - 84937545858gydF4y2Ba 周gydF4y2Ba P。gydF4y2Ba 元gydF4y2Ba M。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba Z。gydF4y2Ba 柴gydF4y2Ba T.-Y。gydF4y2Ba 多变量动态模拟铁水质量使用在线连续的随机向量functional-link网络和自反馈连接gydF4y2Ba 信息科学gydF4y2Ba 2015年gydF4y2Ba 325年gydF4y2Ba 237年gydF4y2Ba 255年gydF4y2Ba 10.1016 / j.ins.2015.07.002gydF4y2Ba 2 - s2.0 - 84941560101gydF4y2Ba 周gydF4y2Ba P。gydF4y2Ba LvgydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 柴gydF4y2Ba T。gydF4y2Ba 数据驱动的健壮RVFLNs高炉炼铁过程的建模使用加权M-estimation柯西分布gydF4y2Ba IEEE工业电子产品gydF4y2Ba 2017年gydF4y2Ba 64年gydF4y2Ba 9gydF4y2Ba 7141年gydF4y2Ba 7151年gydF4y2Ba 10.1109 / tie.2017.2686369gydF4y2Ba 2 - s2.0 - 85029525032gydF4y2Ba 张gydF4y2Ba M。gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 张gydF4y2Ba Z。gydF4y2Ba 一个工业熔融指数软测量预测基于进化极端的学习机器gydF4y2Ba 中国化学工程杂志》上gydF4y2Ba 2016年gydF4y2Ba 24gydF4y2Ba 8gydF4y2Ba 1013年gydF4y2Ba 1019年gydF4y2Ba 10.1016 / j.cjche.2016.05.030gydF4y2Ba 2 - s2.0 - 84979732356gydF4y2Ba 张gydF4y2Ba lgydF4y2Ba 张gydF4y2Ba D。gydF4y2Ba 领域适应极端的学习机器在电子鼻系统漂移补偿gydF4y2Ba IEEE仪表和测量gydF4y2Ba 2015年gydF4y2Ba 64年gydF4y2Ba 7gydF4y2Ba 1790年gydF4y2Ba 1801年gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 史gydF4y2Ba P。gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 周gydF4y2Ba Q。gydF4y2Ba 自适应神经对一类非线性系统的跟踪控制与动态的不确定性gydF4y2Ba IEEE控制论gydF4y2Ba 2017年gydF4y2Ba 47gydF4y2Ba 10gydF4y2Ba 3075年gydF4y2Ba 3087年gydF4y2Ba 10.1109 / tcyb.2016.2607166gydF4y2Ba 2 - s2.0 - 85029225224gydF4y2Ba 他gydF4y2Ba T。gydF4y2Ba 陆gydF4y2Ba J。gydF4y2Ba 丁gydF4y2Ba J。gydF4y2Ba 刘gydF4y2Ba C。gydF4y2Ba 原油总碳含量的预测模型使用整体随机权重粒子群优化神经网络优化gydF4y2Ba 控制理论的应用gydF4y2Ba 2019年gydF4y2Ba 36gydF4y2Ba 2gydF4y2Ba 192年gydF4y2Ba 199年gydF4y2Ba 他gydF4y2Ba M。gydF4y2Ba 唐gydF4y2Ba J。gydF4y2Ba 郭gydF4y2Ba X。gydF4y2Ba 严gydF4y2Ba G。gydF4y2Ba 软传感器使用DAMRRWNN球磨机负荷模型gydF4y2Ba 《自动化学报》gydF4y2Ba 2019年gydF4y2Ba 45gydF4y2Ba 2gydF4y2Ba 398年gydF4y2Ba 407年gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 网络流量预测的BP神经网络基于萤火虫群优化算法gydF4y2Ba 系统科学与控制工程gydF4y2Ba 2019年gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 64年gydF4y2Ba 70年gydF4y2Ba 10.1080 / 21642583.2019.1626299gydF4y2Ba 2 - s2.0 - 85069529728gydF4y2Ba HasibuangydF4y2Ba m . S。gydF4y2Ba 努哥鲁gydF4y2Ba l E。gydF4y2Ba SantosagydF4y2Ba p . I。gydF4y2Ba 模型检测与人工神经网络的学习方式gydF4y2Ba 技术和科学教育杂志》上gydF4y2Ba 2019年gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 85年gydF4y2Ba 95年gydF4y2Ba 10.3926 / jotse.540gydF4y2Ba 2 - s2.0 - 85066750930gydF4y2Ba