改进型Elman神经网络发酵过程建模研究

doi:10.3778/j.issn.1002-8331.2009.32.074

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (32): 240-243.DOI: 10.3778/j.issn.1002-8331.2009.32.074

改进型Elman神经网络发酵过程建模研究

刘尧猛，马永军，杨美艳

天津科技大学计算机科学与信息工程学院，天津 300222

收稿日期:2009-06-03 修回日期:2009-07-28 出版日期:2009-11-11 发布日期:2009-11-11
通讯作者: 刘尧猛

Research on fermentation process modeling of improved Elman neural network

LIU Yao-meng，MA Yong-jun，YANG Mei-yan

School of Computer Science and Information Engineering，Tianjin University of Science & Technology，Tianjin 300222，China

Received:2009-06-03 Revised:2009-07-28 Online:2009-11-11 Published:2009-11-11
Contact: LIU Yao-meng

摘要/Abstract

摘要： 依据发酵过程的机理和改进的Elman神经网络动态建模原理，提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验，与传统的BP建模算法比较，改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外，利用该算法编制的软件可以内嵌到发酵过程监控系统中，实现发酵过程在线建模与状态参量的在线预估。

关键词: Elman, 神经网络, 分批训练, 发酵过程, 在线建模, 在线预估

Abstract: According to the characteristics of fermentation process and the dynamic modeling theory of modified Elman neural network，a new batch training algorithm for fermentation process modeling is proposed.The training and testing of fermentation process simulation experiments show that modified Elman neural network modeling algorithm has specialties that convergence speed is faster and generalization is better，compared with traditional BP modeling algorithm.Furthermore，the software based on the modeling algorithm can be embedded into fermentation process control system，realizes fermentation process online modeling and state parameter online estimating.

Key words: Elman, neural network, batch training, fermentation process, online modeling, online estimating

中图分类号:

TP273

刘尧猛，马永军，杨美艳. 改进型Elman神经网络发酵过程建模研究[J]. 计算机工程与应用, 2009, 45(32): 240-243.

LIU Yao-meng，MA Yong-jun，YANG Mei-yan. Research on fermentation process modeling of improved Elman neural network[J]. Computer Engineering and Applications, 2009, 45(32): 240-243.

[1]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[2]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[3]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[4]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[5]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[6]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[7]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[8]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[9]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.

改进型Elman神经网络发酵过程建模研究

Research on fermentation process modeling of improved Elman neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics