基于小波神经网络模型的冶金企业能耗预测

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BP神经网络预测方法的缺陷,介绍了基于小波神经网络算法的能耗预测模型及应用情况。该算法既具有BP网络的简洁性,又具有小波分析良好的时频局部性。通过实验将其与传统的BP神经网络进行比较,证明前者具有更优的网络结构,更快的学习速度和更高的逼近精度。     

基于遗传算法优化BP神经网络的小球藻生长模型的建立与应用

[目的]探讨用遗传算法优化BP 神经网络对小球藻生长模型的建立与应用.[方法]使用遗传算法对BP 神经网络的权值和阈值进行优化,并使用该网络模型,以小球藻培养时间和残余葡萄糖为输入,菌体光密度值(OD<,680>)为输出,对小球藻在500 L多功能生物反应器中的生长情况进行了建模,还探讨了该模型的应用情况.[结果]经过遗传算法优化的BP 神经网络,其泛化值的误差平方和比BP神经网络的小,因而预测值更加接近实际值.t 检验表明,所建立的模型是可信的.验证表明,该模型具有良好的拟合度,能够很好地描述在500 L 多功能生物反应器中培齐的小球藻的生物量(OD<,680>)与残余葡萄糖和培养时间之间的关系.[结论]所建立的模型可用于试验结果的预测,对小球藻的培养控制具有指导意义.     

小波模糊神经网络在高炉铁水硅质量分数预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水中硅的质量分数.仿真结果表明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高.     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.      

小波RBF神经网络在高炉铁水硅含量预测中的应用

在运用RBF神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对RBF神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水硅含量。仿真结果表明小波RBF神经网络比RBF神经网络更具优越性,预测准确率明显提高。     

小波模糊神经网络在高炉炉温预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

小波模糊神经网络在高炉炉温预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪。根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

烧结工序能耗预测与优化研究

烧结工序能耗预测与优化研究是确保生产有序合理、节能环保和低成本的重要手段.在烧结工序能耗定义分析及烧结工序能耗主要影响因素分析的基础上,建立了基于径向基神经网络-遗传算法(RBF-GA)的烧结能耗预测与优化模型.在神经网络模型对能耗高精度预报的基础上结合遗传算法求解优化模型,计算出最佳的输入参数组合.通过案例研究,验证了所提方法的正确性和有效性.     

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。     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

TC11钛合金本构关系神经网络模型的建立

利用MATLAB软件建立了反映材料热变形本构关系的神经网络模型,该模型中采用遗传算法优化其权值和阈值提高了网络收敛的稳定性。并采用Themecmastor-Z型热加工模拟试验机上进行的TC11钛合金等温恒应变速率压缩试验获得的试验数据进行训练,建立了TC11钛合金热变形本构关系的BP神经网络模型,并进行了预测,预测误差小于10%。     

基于改进遗传算法优化Elman网络的板形识别方法

针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。     

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.      

WNN模型在预测声发射信号方面的应用

小波神经网络具有预测精度高、结构简单以及收敛快等众多优点,因此,试图将这一优势模型用于声发射的预测方面,进而为矿业领域完善一种新的预测方法,并根据实验室岩石加载实验过程中采集的大量声发射数据,建立了一种与之相适应的预测模型。首先,针对实验室实验过程中监测得到的声发射数据建立了小波神经网络模型（WNN模型）,然后对声发射监测得到的声发射事件率进行网络自主学习,得到预测结果,最后与实际值相比并计算其误差。结果表明：WNN模型预测精度较高,与实际监测得到的结果基本吻合,证明WNN可以用于声发射信号方面的预测。     

烧结矿质量预测中神经网络的结构优化

利用BP神经网络，建立了烧结矿质量预测模型，预测烧结矿FeO含量和碱度及指标。并采取遗传算法、网络隐含层节点自构性学习等办法优化网络构造。仿真结果表明，模型能取得良好的预测结果。     

GA-BP的铁钢界面铁水温度预测

铁钢界面铁水温度对炼钢生产的控制与优化具有重要意义.因此,为了更加准确地获取铁钢界面铁水温度,本文采用较大样本构建了基于遗传算法(GA)优化的BP神经网络铁水温度预测模型.对影响铁钢界面铁水温度的因素分析,选取了出铁时间、预处理时间、重罐时间、空罐时间、出铁铁水温度、预处理后铁水温度、铁水质量7个关键因素作为模型的输入,铁钢界面铁水温度作为输出.结果表明:GA-BP神经网络预测模型具有较好的性能表现,绝对误差10℃范围内的预测命中率达到了89%,平均绝对百分比误差(MAPE)为0.39%,均方根误差(RMSE)为6.41℃.相比于BP神经网络预测铁钢界面铁水温度,GA-BP模型具有更高的精确度和稳定性.     

基于遗传算法与神经网络的选厂预测建模研究

建立了一个由遗传算法和ＢＰ网络组成的组合模型ＧＡ－ＡＮＮ。该模型选用遗传算法优化神经网络权空间,若网络达不到精度要求,再在此基础上,用ＢＰ算法进一步对权空间进行优化。将该组合模型用于对某选矿厂的实测数据预测建模的初步研究,结果表明：其预测效果好于传统的ＢＰ网络和采用“早终止”技术的改进ＢＰ网络。     

变尺度混沌神经网络在球磨机故障诊断中的应用

针对神经网络极易陷入局部极小的问题,提出变尺度混沌优化方法与神经网络相结合的变尺度混沌神经网络综合模型,讨论变尺度混沌神经网络模型的建模思路及其算法实现;介绍球磨机常见的故障类型,建立球磨机故障诊断的变尺度混沌神经网络模型,并进行仿真试验,结果表明:该模型具有较高的预测精度,可以有效地运用于球磨机诊断中的故障预测。     

铝合金半球形件拉深的变压边力优化研究

为获得铝合金半球形件的优化压边力,提出了成形结果的综合评价标准用于不同变压边力曲线模拟实验的评价,以正交实验法设计模拟试验获得样本,建立了预测不同压边力曲线下成形结果的神经网络模型。在精度可靠的神经网络基础上,运用遗传算法优化压边力,获得了先增后减的“最优”压边力曲线。     

基于神经网络的期铜价格趋势预测研究

运用X-12-ARIMA季节调整方法,对上海交易所三月期铜月平均价格进行季节性调整,消除了季节因素和不规则因素对铜价的影响.针对季节调整后序列,分另建立了BP、RBF、Elman等神经网络模型,并对期铜价格进行预洲.预测效果比较说明,与传统的神经网络相比,Elman神经网络模型具有收敛速度快、预测精度高的特点,能在期铜价格预测方面取得较好的效果.