基于小波变换与PSO-BP神经网络的电能质量扰动分类

针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,本文提出了一种基于小波变换和PSO-BP神经网络的电能质量扰动分类方法.用PSCAD/EMTDC仿真几种典型的电能质量扰动,并利用小波变换进行多尺度分解,得到各尺度上信号的能量特征,输入PSO-BP神经网络,实现扰动的分类.仿真结果表明该方法较BP网络收敛迅速,容易达到训练要求,同时该方法具有分类速度快,精确度较高等优点.     

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

基于BP神经网络PID控制及其仿真

对BP神经网络算法进行了改进,克服了直接使用神经网络算法进行PID控制的不足之处.仿真表明,设计了附加动量项的BP神经网络,能有效地提高算法的收敛速度.实验结果表明控制效果优于传统的PID控制算法的仿真结果.     

遗传小波神经网络在钢铁企业能耗预测中的应用

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题.鉴于传统预测方法的缺陷,利用遗传算法来优化小波神经网络,建立基于遗传算法的小波神经网络模型对鞍山钢铁公司能源消耗进行预测.该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质.通过实验将其与传统的神经网络进行比较,证实前者具有更优的网络结构,更高的逼近精度.     

基于小波分解的尾矿坝浸润线预测方法研究

为了准确预测尾矿坝浸润线的位置变化,结合浸润线埋深非稳定、非线性的时间序列以及动态变化的特点,利用小波分解与重构,提出基于小波分解的时间序列指数平滑法和BP神经网络法,采用时间序列的指数平滑法和BP神经网络方法分别对多个细节信号序列和逼近信号序列进行拟合预测,并对其拟合结果进行叠加,实现对尾矿坝浸润线的预测。将预测结果与实际监测数据进行对比,结果表明小波分解预测方法的预测结果与传统单一的指数平滑法和神经网络法预测结果相比,在预测精确度和拟合度方面：小波分解>指数平滑>神经网络。     

遗传神经网络在平整轧制力预报中的应用

研究了平整轧制力设定的人工智能实现方法,采用改进的混合GA－BP遗传神经网络算法建立了平整轧制力预报模型。传统数学模型与遗传神经网络方法获得的统计数据表明,该遗传神经网络方法所得预报值优于传统方法。     

半无头轧制工艺下的精轧宽展预测

为了提高半无头轧制精轧宽展的预测精度，采用BP神经网络方法代替传统数学模型进行宽展预测，并采用改进的BP神经网络算法提高学习速度，与传统数学模型方法得到的预测精度作比较，结果表明采用此方法预测精度更优。     

GA-BP算法及其在冰铜品位神经网络模型中的应用

分析了遗传算法(GA)和BP算法的优缺点，将GA算法与BP算法有机地结合，形成了遗传BP算法。对冰铜品位神经网络模型的训练和检验结果比较表明，该算法优于BP算法，是一种快速全局搜索算法。模型训练结果也说明了神经网络技术应用于铜闪速熔炼过程建模的可行性和有效性。     

热轧轧制力小波神经网络预报模型的研究

为了进一步提高热连轧精轧机组轧制力的设定精度，采用小波神经网络建立轧制力预报模型。并采用改进的快速BP算法来训练网络。仿真结果表明：建立的轧制力预报模型的预报值与实际值之间的相对误差在±6％以内，且学习算法收敛速度快。     

基于人工神经网络的热轧带钢热流密度预测

采用BP神经网络与数学模型相结合的方法对热带精轧机组机架间水冷区带钢热流密度进行预测，进而优化了机架间冷却的数学模型。结果表明，利用BP神经网络得出的带钢热流密度计算的终轧温度与实测值的标准差比原来仅用数学模型的传统算法减少了14．08％，故该方法具有较好的在线应用前景。     

神经网络预报在冷连轧规程设计中的应用

在轧制规程设定中采用BP神经网络取代传统轧制力数学模型,通过动态规划算法对某1370mm冷连轧现场规程进行了节能并兼顾板形的多目标优化设计,并对优化前后的规程进行了分析和比较,优化效果令人满意,满足实际生产要求。     

基于BP神经网络的矿山投资项目风险评判

随着矿山投资热度的提高，人们越来越重视矿山投资项目的风险评判。但矿山投资项目的风险评判相当复杂，传统的回归分析方法并不能取得令人满意的效果。而神经网络方法由于有超强的学习、容错性能，对解决非线性问题的效果较好。因此文章认为用BP神经网络系统对矿山投资项目的风险评判结果是比较理想的。     

Multi-Objective Optimization and Analysis Model of Sintering Process Based on BP Neural Network

A multi-objective optimization and analysis model of the sintering process based on BP neural network is presented. Genetic algorithms are combined to simplify the BP neural network, which can reduce the learning time and increase the forecasting accuracy of the network model. This model has been experimented in the sintering process, and the production cost, the energy consumption, the quality （revolving intensity）, and the output are considered at the same time. Moreover, the relation between some factors and the multi-objectives has been analyzed, and the results are consistent with the process. Different objectives are emphasized at different practical periods, and this can provide a theoretical basis for the manager.     

基于RBF的轴承钢变形抗力的预测

以凸轮式高速形变试验机得到的试验数据为基础,利用Matlab人工神经网络工具箱,建立了轴承钢的变形抗力与其化学成分、变形温度、变形速率及变形程度对应关系的RBF神经网络预测模型.分析了变形温度和变形速率对轧制压力网络模型精度的影响.得出随着变形温度的增加,网络的预测误差逐渐增大;随着变形速率的增大,网络的预测误差逐渐减...     

步长BP人工神经网络的轧制力模型研究

现有的轧制力数学模型大多是在多种假设的条件下,通过一系列简化推导出来的,从而决定了其模型的不准确性,所以常规轧制力模型本身不能提供足够精确的预报值.神经网络技术提供了一个崭新的建模工具,此模型采用了动态变步长BP算法.为了使模型得到最佳的迭代计算速度和预报精度,对隐含层单元数、权重初始值范围、学习速率等参数进行了优化,同时对变步长参数的选择范围进行了探讨和研究,对于更好地理解掌握和应用邯钢薄板坯连铸连轧厂的原设计轧制力模型,具有重要的实用和参考价值.     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.      

基于混合遗传算法的电弧炉终点目标温度预报模型

BP (Baek Propagation)算法和遗传算法相结合的混合训练方法步骤为:首先用遗传算法定位出一个较好的搜索空间,然后采用BP算法在这个小的解空间中搜索出最优解。分别用遗传算法和混合遗传算法训练100 t电弧炉终点温度神经网络预报模型。仿真结果表明:混合遗传算法有更快的收敛速度和更高的预报命中率。当目标温度的精度范围为±2℃、±4℃、±6℃和±8℃时,BP算法的温度命中率分别为75%、82%、86%和92%,混合遗传算法的温度命中率分别为80%、88%、90%和96%。     

钢铁企业能耗预测系统的设计

基于湘钢历年每月总能耗数据,运用BP神经网络算法建立数学模型,用M ATLAB作为后台数据处理工具,用VB与M ATLAB的混合编程开发了钢铁企业能耗预测系统。预测值与实际能耗量的相对误差很小:最大相对误差为3.016%,最小相对误差仅为0.084%,平均相对误差为1.336%,系统具有较好的预测效果。