共查询到20条相似文献,搜索用时 31 毫秒
1.
本文利用回声状态网络建立了转炉终点钢水碳含量和温度预测模型,并应用遗传算法优化其主要参数。选用某钢厂3座120t转炉的实测数据对该网络模型进行离线训练和仿真测试,结果表明回声状态网络模型比BP神经网络模型在预测精度上有所提高。这为开展转炉实时预测工作提供了方法指导。 相似文献
2.
3.
4.
在双辊铸轧过程中,铸轧力的控制是铸轧过程稳定进行和提高薄带质量的关键.为了控制铸轧力,必须建立铸轧力计算数学模型,本文采用了一种基于贝叶斯方法的前向神经网络训练算法以提高网络的泛化能力,在网络的目标函数中引入了表示网络结构复杂性的惩罚项,融入"奥克姆剪刀"理论,避免了网络训练的过拟合.将上述网络应用于铸轧过程的铸轧力计算,具有很高的计算精度,同时在收敛速度、稳定性和泛化能力方面都优于传统的BP神经网络. 相似文献
5.
林洪燕 《Canadian Metallurgical Quarterly》2011,27(2)
本文通过双螺旋问题数值实验,分析了用于前馈神经网络的基于隐单元递增的相继逼近训练算法的泛化能力,并与标准BP网络相比较.结果表明,该相继逼近训练算法较标准BP网络有优势. 相似文献
6.
通过低氧实验提出一种快速识别人体低氧状态的方法.通过搭建深层神经网络训练实验数据识别氧气体积分数(16%~21%)与人体可耐受极端低氧气体积分数(15.5%~16%)条件下光电容积脉搏波(photoplethysmography, PPG)信号, 获得人体生理状态的模式识别网络.经测试该网络的识别正确率可达92.8%.利用混淆矩阵及接受者操作性能(receiver operating characteristic, ROC)曲线分析, 混淆矩阵的训练集、验证集、测试集、全集识别正确率分别达到97.9%、94.8%、92.8%和96.3%, AUC (area under curve)值接近1, 认为该网络分类性能优良, 并且可在4 s内完成整个识别过程. 相似文献
7.
8.
9.
10.
通过分析微动探查方法和改进神经网络迭代反演算法,提出采用改进的神经网络迭代反演微动面波频散曲线.该方法在网络训练学习阶段通过批处理学习和优化网络结构提高网络学习速度;在迭代反演阶段通过δνγ/δλR-f曲线极值点的变化来调整输入模型以减少迭代反演次数;最后设计反演方案,并对6层介质模型进行频散曲线的网络训练和迭代反演,验证了方法的有效性.对比分析结果表明:该方法明显减少了迭代反演次数,提高了收敛速度,而且具有良好的抗干扰能力. 相似文献
11.
针对模式分类任务,提出一种基于粗糙集规则的神经网络构造方法.首先,利用粗糙集理论和遗传算法约简输入特征,在尽量保持分类能力不变的情况下降低条件属性维数,并推导出简练的分类规则集合.然后,以规则集为基础构造BP神经网络结构、确定网络层数、输入输出节点数等,并计算规则的条件属性重要度和依赖度2个参数对连接权值进行初始化.最后,通过一个实例验证了方法的有效性,结果表明该方法能有效解决传统神经网络构造难、解释难、过拟合等问题,提高了分类精度,降低了训练时间.此外,初步探讨了网络训练时对知识提炼的影响. 相似文献
12.
采用了一种基于贝叶斯方法的前向神经网络训练算法以提高网络的泛化能力,并在网络的目标函数中引入了表示网络结构复杂性的惩罚项,避免了网络的过拟合。采用Levenberg Marquardt算法训练网络,并使用Gauss Newton的数值方法来近似求解Hessian矩阵,以减少计算量,从而提高了网络的收敛速度。将上述网络应用于冷轧过程的轧制力预报中,预报结果的精度远远高于解析模型,与基于传统BP神经网络的冷轧轧制力预报模型相比,在收敛的速度和预报的精度上均优于后者。 相似文献
13.
运用BP神经网络建立大学生对专业课学习热情的数学模型,通过Matlab神经网络工具箱学习训练网络,并进行测试验证.结果表明,该方法可以推动学校培养计划的跟踪修订,具有广泛的适用性. 相似文献
14.
烧结矿转鼓强度是烧结过程中反映烧结矿质量的重要指标之一,其精确预测可以提高生产过程的控制精度和效率,降低生产成本和资源浪费。但在实际生产中,烧结矿转鼓强度预测存在一些困难,比如数据量有限、数据质量不佳等问题。因此,为了提高预测精度,首先采用生成对抗网络(GAN)对原始数据集进行扩增,以解决数据量有限的问题;然后采用麻雀搜索算法(SSA)优化的回声状态网络(ESN)构建预测模型。相比于传统的神经网络,ESN具有更好的稳定性和泛化能力,并且能够快速训练和适应新数据。通过试验验证了该模型的预测精度和效率,并与其他预测算法进行了比较。结果表明,采用扩增后的数据集和ESN模型可以显著提高预测精度,平均绝对百分比误差由1.41%缩小至1.06%。 相似文献
15.
16.
17.
为了更好地应用BP神经网络对连铸板坯质量进行在线诊断,基于连铸生产特点,利用采集的过程数据建立了符合生产实际的均一化函数.通过分析BP神经网络中各参数对网络性能及诊断准确率的影响,对BP神经网络的结构及学习算法进行修正,使该网络有选择和有区分地学习铸坯质量知识.结合某钢厂连铸现场数据,以黏结为例,建立了6种网络模型,对各模型算法进行了比较测试.结果表明:采用自定义函数均一化样本或采用提出的差异性算法训练神经网络,均可明显提高诊断准确率;采用选择性算法可确保诊断准确率不变的同时,提高学习速度;修正的算法更能很好地符合连铸生产实际. 相似文献
18.
目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考. 相似文献
19.
以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。 相似文献