基于自适应遗传神经网络的烧结矿化学成分超前预报模型

提出了自适应遗传神经网络模型预测烧结矿化学成分的方法，用实际烧结生产数据对模型进行训练，并用该模型对烧结矿化学成分进行预报，仿真结果表明。该模型取得了很好的预测效果。     

基于神经网络的烧结矿化学成分超前预报

本文利用前馈神经网络，建立了烧结矿化学成分超前预报的模型；通过对现场实际运行数据分析表明，预报模型具有良了的预报结果和实际应用前景。     

基于BP神经网络的烧结过程预报模型

根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型。仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10~(-3)的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性。     

烧结矿化学成分控制系统在宝钢生产中的应用

针对宝钢不锈钢分公司烧结生产实际情况，开发了基于神经网络的烧结矿化学成分预报模型，将模型的预报结果作为控制系统的前提条件，结合现场专家的经验知识，推理、计算出最佳的原料配比。系统于2005年11月在烧结分厂正式投入运行，在线运行结果表明，化学成分预报命中率和操作指导建议采纳率均超过90％，烧结矿碱度（R）的一级品稳定率提高1．98％，全铁（TFe）的一级品稳定率提高0．33％，取得了良好的效果。     

烧结矿化学成分控制专家系统的开发与应用

采用基于改进BP算法的人工神经网络模型,提前预报了烧结矿的R和TFe、SiO2含量,将模型的预报结果转化为规则的输入,设计了基于经验规则的专家系统,结合R、TFe的变化趋势和配料计算提前调整原料的配比.系统正式投入运行后,烧结矿碱度(R)预报命中率达到91%,全铁(TFe)预报命中率达到94%,操作指导建议采纳率为92%,实现了对烧结矿化学成分的稳定控制.     

烧结过程控制专家系统的设计与开发

研究了烧结过程控制专家系统的总体设计方案,包括烧结矿化学成分控制和烧结过程状态控制。烧结过程控制知识采用混合知识表示模式和多库结构与多层次结构相结合的知识库组织形式,推理机采用多级目标推理模型和混合推理策略。开发了基于自适应预报的烧结矿化学成分控制专家系统和烧结过程状态控制专家系统,系统软件包括近1000条专家规则,成功地应用于现场的离线控制。     

宣钢低硅烧结及烧结矿合理化学成分的试验研究

通过烧结杯试验，找出了宣钢原料条件下烧结矿合理化学成分、烧结矿低硅条件下各种化学成分的控制范围。     

以碱度为中心的烧结矿化学成分控制专家系统

为了稳定控制烧结矿化学成分，提高成分一级品率，本文结合烧结球团理论，人工智能理论和现代控制理论，研究了系统的控制方案，提出了以碱度为中心的控制策略，开发烧结矿化学成分控制专家系统。     

包钢烧结矿的化学成分及显微结构对其冶金性能的影响

通过对包钢近三年的烧结矿质量检测数据进行多元回归分析研究，找出了包钢生产条件下，烧结矿化学成分及其显微结构对烧结矿的冶金性能的影响规律。该规律可有效地用于提高烧结矿质量，并用来指导烧结生产。     

一种新型烧结矿--包钢第三代烧结矿

通过对包钢第三代、第二代烧结矿化学成分、矿物组成、显微结构、强度及冶金性能的对比，评价了第三代烧结矿的各项性能。说明第三代烧结矿是适合于冶炼白云鄂博铁矿的烧结矿。     

基于蚁群算法的神经网络冷连轧机轧制力预报

 为提高冷连轧机轧制力的预报精度和预报速度,用蚁群算法和神经网络相结合的方法进行轧制力预报模型设计。根据轧制原理建立了BP神经网络冷连轧机轧制力预报模型,以网络权值和阈值为自变量,网络预报误差为目标函数,通过蚁群多代运算,找出预报误差全局最小值,再将相应的权值和阈值输入网络进行训练。应用某厂1450 mm冷连轧机的实测数据进行离线计算的结果表明,该方法能够防止BP网络陷入局部极小点,且收敛速度快,可作为轧制力预报的新方法在实际应用中加以推广。     

基于Kmeans–BP神经网络的KR工序终点铁水硫含量预测模型

针对KR工序终点铁水硫含量预测问题，提出一种基于Kmeans聚类分析和BP神经网络（BPNN）相结合的建模方法。首先，通过Kmeans聚类对KR工序生产数据进行模式识别和分类，构建不同工况特征的数据集；然后，基于BP神经网络，针对不同数据集训练预测模型；最后，将不同数据集的预测模型进行集成，形成最终的终点铁水硫含量预测模型，实现对不同铁水条件和工况条件的预测。利用某钢铁企业实际生产数据，分别用基于脱硫反应动力学、BP神经网络和Kmeans–BPNN方法建立的预测模型，对KR工序终点铁水硫含量进行预测。结果表明，Kmeans–BPNN的KR工序终点硫含量预测模型的精度显著高于脱硫反应动力学和BP神经网络的预测模型。      

A Blast Furnace Prediction Model Combining Neural Network with Partial Least Square Regression

The prediction of the important running variables of blast furnaces (BF) has been a major study subject as one of the most important means for monitoring the BF state in ferrous metallurgical industry. In this paper, a prediction model for BF by integrating a neural network (NN) with partial least square (PLS) regression is presented. The selection of influencing operational parameters of BF on variables to be predicted is developed according to the minimization of residuals based on the theory of path analysis. The selected influencing parameter data series are processed as the inputs of the prediction model. In order to validate this prediction model, the silicon content in hot metal of BF is taken as the variable to be predicted. The model is trained and evaluated with industrial data, and the results show that it works well. Further modification of this prediction model is also discussed to improve its industrial application.     

论听力教学中预测能力的培养

介绍了文章标题预测法、图片预测法、主题句预测法、关键词预测法、习题预测法、语法关系预测法、附加信息预测法等听力预测法,以培养学生的预测能力;提高学生的听力理解能力.     

Embodying Learning Effect in Performance Prediction

Predicting performance of contractors is of interest to both academics and practitioners. The physical execution of a project is critical to the overall success of the development. Having a competent contractor that can deliver is most desirable. In this aspect, a significant number of performance prediction models have been developed. Multiple regression and neural networks are typically used as the analytical tools in these prediction models. This paper reports a study that employs a learning curve approach to perform the prediction task. It is suggested that this approach can accommodate the changes in performance as experience accumulates. Thus a performance pattern is projected in addition to the project final outcome. A two-step approach suggested by Everett and Farghal was adopted for this study. First, the learning curve model that best represents a contractors’ performance was explored using the least-square curve fitting analysis. Second, prediction analysis was performed by comparing the actual performance data with their respective prediction results obtained from extrapolation on the selected learning curve. The three-parameter hyperbolic model was found to provide the most reliable prediction on performance in this study.     

基于广义回归神经网络的金属矿山水害危险性预测

水害是金属矿山重大灾害之一,正确预测水害危险性及变化趋势,对矿山安全生产具有重要的指导意义。在分析水害影响因素和广泛参考其他预测模型的基础上,以矿山地质构造、裂隙发育状况、降水量、采空区面积、地下水水位、回采工艺、开采深度、有无预注浆、含水层层数、围岩岩性等10个影响因素作为预测输入,以有水害危险、无水害危险作为预测输出,建立了GRNN预测模型,并应用MATLAB软件编程,对某金属矿山样本进行了训练和预测。研究结果表明,预测结果最大误差仅为7.62%。GRNN模型预测精度高,对金属矿山水害危险性预测和防治具有借鉴意义。     

基于图像混合核的列生成PM2.5预测

传统PM_2.5预测方法获取污染物浓度数据需要大型精密仪器，成本较高。本文尝试利用图像数据进行PM_2.5浓度预测。大气PM_2.5浓度的变化与图像的暗通道强度、对比度和HSI（Hue-saturation-intensity）颜色差异有密切联系。大气中PM_2.5浓度的升高会导致非天空区域的暗通道强度值下降，图像对比度下降和HSI空间颜色差异变小。通过分析PM_2.5浓度与图像特征的关系，提出了一种基于图像混合核的列生成空气质量PM_2.5预测模型。首先，以1 h为采样周期，每日8:00～17:00为采样范围，采集多种天气条件下的景物图像，提取图像的对比度、暗通道强度和HSI颜色差异共5个图像特征。其次，数据存在样本规模大、样本不平坦分布等特点，单个核函数构成的预测模型难以满足预测精度需求，因此本文按照核结构从简单到复杂的原则，选择线性核函数、多项式核函数和高斯核函数三种核函数建立组合模型。然后计算每个核基于训练样本的Gram矩阵，并将所有Gram矩阵并列成一个混合核矩阵。利用列生成算法和混合核矩阵建立预测模型，求解模型参数。最后，进行仿真实验，实验结果表明本文提出的可满足预测精度要求，与单核预测模型相比，该预测模型预测精度更高，模型稳定性更好。计算复杂度分析结果显示基于图像混合核的列生成模型与单核预测模型相比计算量无明显增加。      

VAI连铸结晶器漏钢预报系统的应用实践

介绍了鞍钢鲅鱼圈钢铁分公司连铸机结晶器漏钢预报系统的工作原理和应用实践;通过对实际应用中产生的粘结漏钢报警信息分析,找出了影响漏钢误报和漏报的原因,并提出相应的改进措施,提高了结晶器漏钢预报系统的精度,降低粘结漏钢误报率。     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法（KPCA）、改进粒子群算法（IPSO）与最小二乘支持向量机（LSSVM）相结合的充填管道磨损风险预测新方法。通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPSO算法对模型参数进行优化,构建KPCA-IPSO-LSSVM组合预测模型。以黄陵县矿区的80组实测数据为例,对该模型进行训练和预测,并将其预测结果与IPSO-LSSVM模型、LSSVM模型、SVM模型的预测结果进行对比分析。结果表明：与其他3个预测模型相比,KPCA-IPSO-LSSVM模型具有较高的预测精度和较强的泛化能力,为充填管道磨损风险预测提供了一种更为有效的预测方法。     

基于FA-PSO-RBF神经网络的富氧底吹铜锍品位预测模型

铜锍品位是富氧底吹铜熔炼过程中的一个关键工艺参数，针对铜锍品位实时检测困难、检测结果滞后时间长、指导生产工艺参数优化滞后等问题，基于生产数据深入挖掘及处理，提出了一种基于FA-PSO-RBF神经网络的铜锍品位预测模型。首先为了降低模型的预测误差，利用FA分析方法对原始生产数据进行降维处理，确定主要因子数量为6个，并计算因子得分，然后针对RBF神经网络模型对关键参数依赖性较大的不足，利用改进PSO算法对网络结构中的关键参数进行寻优，最后，以因子得分为输入，铜锍品位值为输出，通过实际生产数据验证模型的准确性，并与RBF、标准PSO-RBF预测模型进行对比，结果表明，本文构建的铜锍品位预测模型预测精度更高，与标准PSO-RBF预测模型相比，RMSE和MAE的值分别降低了17.2%和21.2%,该预测模型对富氧底吹铜熔炼生产过程参数优化控制提供了一种方法借鉴。