为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

随着物联网技术的发展，前端传感器的使用使得低合金钢的海水腐蚀监测成为了现实，从而获得了大量的腐蚀数据。针对传统均值法处理双率腐蚀数据带来的数据信息损失以及建模精度下降问题，提出了一种基于综合指标值(CIV)和改进相关向量回归(IRVR)的双率腐蚀数据处理和建模算法(CIV-IRVR)。首先，通过构建CIV表征输入数据的综合影响并采用天牛须搜索(BAS)算法对其参数进行寻优；然后，建立最优CIV序列与输出数据间的线性回归模型将双率数据转化为建模用的单率数据，能够更多地保留原始数据信息；最后，给出了一种BAS算法优化的具有组合核函数的改进相关向量回归建模方法(IRVR)，并建立了针对低合金钢海水腐蚀双率数据的CIV-IRVR预测模型。结果表明：相比于均值方法处理双率腐蚀数据，所提方法将建模样本数量由196提升到了1834；相比于海水腐蚀建模领域常用的人工神经网络(ANN)和支持向量回归(SVR)建模方法，所提模型的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(CD)分别为1.1914 mV、1.5729 mV以及0.9963，在各项指标上均优于对比算法，说明所提模型不仅减少了信息损失还提高了建模精度，对于双率海水腐蚀数据建模具有一定现实意义

本书分成五章。第一章是仿真，讲述环境工程过程的仿真即过程建模及求解的方法，并介绍活性污泥过程、二沉池二维流态等模型的建模和求解过程。第二章是过程控制，讲述反馈控制系统的控制规律及自动化仪表，并介绍污水处理主要设施的自动控制方法。第三章是动态分析，讲述如何导出过程的传递函数，以及如何利用传递函数对环境工程的过程动态进行定性和定量的分析。第四章是人工智能，重点介绍神经网络、专家系统和模糊控制的理论及在环境工程仿真与控制中的应用。第五章是复杂控制系统，介绍串级、分程、比值、前馈、选择性和非线性控制系统，以及在环境工程过程控制中的应用

MatLab是一种数值计算和图形图像处理工具软件,它的特点是语法结构简明、数值计算高效、图形 功能完备、易学易用。它在矩阵代数、数值计算、数字信号处理、提动理论、神经网络控制、动态仿真 等领域都有广泛的应用 本书从 MatLab的基础知识入手,在详细介绍各种命令的同时,向读者介绍了 Matlab在高等数学、 线性代数、符号运算、图形图像处理、数据处理等方面的应用和外部接口程序设计。本书侧重于利用大 量的实例来引导读者快速学习和掌握 MatLab的各种功能,并尽量与实际问题相结合,以体现其工程应用 的重要性。书中配有习题和参考答案,供读者练习附录则配有常用命令的列表,以供参考

教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性，以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法，给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法，神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进，反馈网络的结构、学习算法。 3. 神经网络 PID 控制

采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量

6.1 神经网络概念与特性 6.2 神经网络模型辨识中常用结构 6.3 辨识中常用网络训练算法 6.4 改进的BP网络训练算法 6.5 神经网络辨识MATLAB仿真举例 6.6 基于改进遗传算法的神经网络及其应用 6.7 模糊神经网络及其应用 6.8 小结

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强

对鞍钢冷轧厂四机架冷连轧机轧制压力模型进行了认真分析,指出了其存在的缺陷.把遗传算法(GeneticAlgorithms,简称GA)和神经网络有机结合,设计出了具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及GA-BP算法联合进行网络权值修改几种功能的遗传神经网络,建立了基于遗传神经网络的新冲连轧机轧制压力模型.通过原模型计算值、新模型计算值与实测值之间的对比分析可知,遗传神经网络模型计算精度优于传统轧制力模型

9.1 概述 9.2 神经网络控制结构 9.3 单神经元网络控制 9.4 RBF网络监督控制 9.5 RBF网络自校正控制 9.6 基于RBF网络直接模型参考自适应控制 9.7 一种简单的RBF网络自适应控制 9.8 基于不确定逼近的RBF网络自适应控制 9.9 基于模型整体逼近的机器人RBF网络自适应控制 9.10 神经网络数字控制