摘要：非线性滑动平均(NMA)模型能有效描述工业过程的动态特性,是一种典型的动态软测量模型.而受限于模型复杂度,NMA模型的输入时序边界相对较窄,难以适应带有大滞后或强测量噪声的动态工业过程.针对该问题,本文将NMA模型与结构简单、输入时序边界宽的FIR滤波器相结合,构造一种非线性、强抗干扰的软测量建模策略.并设计层白化结构来避免二者间的参数耦合现象,采用Adam算法进行同步优化,提高模型的预测精度及训练效率.最后,利用数值仿真和硫回收过程建模实验,验证所提模型的预测精度以及模型设计的合理性.

摘要：非线性带外输入自回归模型(NARX)在进行预测估计时依赖于主导变量的实时测量,因此在实际工业过程中存在一定的实施难度.针对该问题,利用神经网络构造一种新型NARX动态软测量模型,当工业过程无法及时提供上时刻主导变量测量值时,能通过多步预测方法来确保主导变量的实时预测,通过设计模型结构来降低预测序列的自相关性,从而抑制由多步估计造成的累积误差,以适当降低单步预测精度为代价,使模型在主导变量检测时间长、采样周期长、测量存在噪声的工业场合下得到更好的预测效果.通过数学分析和脱丁烷塔数据仿真实验验证了所构建模型的有效性.

摘要：实际化工过程建模具有多变量、非线性和动态性等特点,会导致模型复杂度提高且提取特征时产生冗余信息和时序分布漂移问题,因此提出一种基于时序迁移和双流加权的有序神经元长短时记忆网络(ONLSTM)模型。首先,利用时序迁移对特征分布进行匹配以自适应表征特征分布信息,采用划分特征分布差异最大时间域进行训练,减小时序分布失配,从而解决时序分布漂移问题;其次,在时序迁移框架内嵌入双流加权ONLSTM模型,通过对ONLSTM主遗忘门和主输入门分别加权,更精确控制传递信息;进一步结合双流结构设计双信息流控制相应门控单元,减小参数调节过程中的耦合影响,降低模型复杂度,提高其预测性能;最后,将所提模型应用于硫回收过程以及某火电厂脱硫过程排放烟气SO_(2)浓度软测量建模,并与其他深度学习网络进行对比,验证了模型有效性。

摘要：随着互联网技术和信息技术的快速发展,学生获取信息的渠道变得多元化,促进了教育教学方法的改变。传统的以教师为主体的课堂教学模式正在向以学生为中心、师生共同参与的多元教学模式转变。教师探究教育理念和教学方法设计课堂教学活动,学生积极参与并配合完成各种教学任务,提高学习兴趣,培养学习能力。以学生为中心教育理念的回归是提高课堂教学效果和培养学生自主学习能力的重要途径。