高炉料面形状双驱动模型研究

高炉料面形状是指导高炉布料决策的重要依据.本文在已开发的新型雷达检测手段的基础上将雷达检测数据和布料机理进行融合.首先根据牛顿运动规律计算炉料颗粒从料流调节阀至料面的运动过程,然后根据体积约束原则建立料面形状模型,最后通过高斯过程回归模型将机理模型和摆动雷达测量得到的料面信息融合,建立了基于雷达数据和机理模型双驱动的高炉料面形状模型.仿真结果表明,本文提出的数据融合的方法在结合雷达检测数据和机理模型的基础上能够更好的拟合出高炉料面形状,可以为高炉稳定运行,节能减排提供可靠指导.     

基于动态加权集成学习的遥测数据预测方法

飞行任务中的遥测数据是飞行器中各功能子系统监测模块顺序产生的多维时间序列,其反应各子系统功能是否正常,对遥测数据的精准预测是研判飞行器运行状态的重要依据;针对已有时间序列预测算法会随时间劣化的缺点,提出基于集成学习原理的动态加权神经网络集成算法;该方法通过神经网络强数据拟合能力,集成学习算法具有的泛化特性和动态加权算法适应数据的漂移变化特性,提升算法的整体预测精度;选择多层感知机神经网络作为基学习器,给出神经网络基学习器结构设计方法和优化方法,以及动态加权算法的具体过程,将其与静态加权算法进行比较实验,该算法对预测精度提高效果显著,一定程度抑制数据的漂移,结果表明采用动态加权集成学习适合对遥测数据的预测.     

基于多技术融合加权平滑的径向基函数神经网络熔融指数预报

针对在对聚丙烯熔融指数进行预测时优势数据和优势变量不突出影响预测精度、数据平滑度不够影响泛化性能的问题,提出了基于多技术融合加权平滑的径向基函数神经网络预报模型。综合运用了在时间尺度基于空间欧氏距离加权、在变量维度上基于灰色关联和线性回归误差加权两种数据加权方案,基于过程变量差分序列欧氏距离的平滑和局部线性平滑两种数据平滑方案,解决了模型精度和泛化性低的问题。为进一步改进模型性能,采用带误差补偿的非线性自回归滑动平均模型框架和径向基函数神经网络,利用自校正预测控制算法和分段线性变学习率算法,对模型进行优化。结合某厂真实数据对模型进行验证,预报结果在泛化集上为：平均相对误差( MRE )1.32%、均方根误差(RMSE)0.0459。与其他方法进行了详细的比较分析,结果表明该模型具有良好的预报精度和泛化性能,在大时滞工业过程领域具有一定的应用价值。     

意愿计算的股市突变点预测方法

由于传统分段线性表示方法没有考虑股市数据分布变化导致分段不合理,同时股市突变点相关特征的局部性导致突变点难以有效预测,所以在分段线性表示方法的基础上提出一种意愿计算的股市突变点预测方法(WC-WSVM)。首先,给出一种波动率分布变化的分段线性表示(V-PLR)方法,通过波动率分布变化自适应地优化PLR分段阈值;然后,提取与主力买卖股票意愿相关的股市特征并进行量化,利用逻辑回归(LR)对于所提取的特征进行融合得到意愿计算结果;最后,将意愿计算结果与PLR-WSVM算法输入特征共同代入到WSVM中,进行突变点预测。在真实数据上的实验结果表明,算法具有强适应性,预测精度得到有效提升。     

氧化铝蒸发浓度的自适应加权LSSVR预测

针对氧化铝蒸发过程的工业现场出口料液浓度在线检测困难、操作参数具有时变性以及传统离线预测所存在的不足等特点,提出了一种多输入多输出系统的自适应加权最小二乘支持向量回归,并用于氧化铝蒸发过程出口料液浓度的在线预测.谊方法根据模型预测效果自适应在线调整建模的训练样本集,利用主元分析提取主元作为分段加权支持向量回归模型的输入,采用网格搜索和交叉验证法对多输入多输出模型参数进行优化.采用工业现场的实测数据进行实验分析,计算结果表明;该方法能够很好地在线预测氧化铝蒸发过程出口料液浓度,相比基于最小二乘支持向量回归以及基于BP神经网络的浓度预测模型,谊方法具有更高的预测精度和更好的泛化性能,满足实际工业生产在线优化控制要求.     

应用DRNN和ARIMA组合模型的时空集成预测方法

在评析目前时空预测研究现状的基础上,提出基于动态回归神经网络(DRNN)和自回归集成移动平均(ARIMA)组合模型的时空集成预测方法.该方法先用ARIMA模型对时空数据的时序进行预测,再用DRNN捕获时空数据间隐藏的空间关系,最后用线性回归将二者整合起来,得到集成预测结果.案例实验结果表明:该方法比不考虑空间影响的预测方法或单一的预测方法有更高的精度;该方法具有良好的动态处理和计算能力,对跨空间的动态过程的预测有效可行.     

基于卷积神经网络的雷达回波外推方法

雷达回波外推技术目前被广泛应用于临近预报中。针对传统雷达回波外推方法存在外推时效较短,对雷达资料数据利用率不高的问题,采取深度学习的方法,提出了一种基于输入的动态卷积神经网络（DCNN-I）模型。根据相邻时刻的雷达回波图像之间相关性强的特点,该网络模型中增加了动态子网络和概率预测层,建立了卷积核与输入图像的映射关系,使卷积核在网络测试阶段仍然能够根据输入雷达回波图像的不同而变化,增强了预测图像与输入图像之间的关联。以南京、杭州、厦门三地的雷达数据为样本进行实验,实验结果表明,与传统的雷达回波外推方法相比,所提方法能够获得更高的预测图像准确率,并且有效延长外推时效。     

基于PCA和神经网络的农残含量预测模型研究

为提高快速检测农残含量的精度,针对建模数据特征发生明显变化的实际情况,提出了一种结合主成分分析（PCA）和神经网络的分段多模型方法。提取建模数据的前2个主成分作为模型的输入,分别使用主成分回归（PCR）和BP/RBF神经网络建立单一及分段多模型。通过计算模型验证集的输出总误差和误差百分比,对比模型检测精度。试验表明：与单一模型相比,利用神经网络建立的分段多模型可以显著降低农药含量的预测误差,使用BP和RBF网络建立的低浓度段模型的输出误差百分比分别为0.8%和0.4%,RBF网络效果更好。该方法可以在待测农药的较大浓度范围内实现定量检测,具有较强的实用性。     

融合拓扑和属性的动态网络链路预测方法

网络数据中出现的大量节点属性和随时间变化的特征,给链路预测提出了新挑战。基于注意力机制和循环神经网络对随时间演化网络进行建模,提出了DTA-LP模型。与传统的静态链路预测算法相比,DTA-LP使用LSTM捕获时序信息,动态预测可以更好应用于现实网络;与基于网络拓扑的动态链路预测算法相比,DTA-LP可以聚集高阶拓扑特征,有效挖掘网络邻域信息;与基于属性网络的动态链路预测算法相比,DTA-LP可以加权融合网络拓扑属性,提高预测精度。在4种真实数据上的实验结果表明,该方法能结合网络已有先验知识,以较高的MAP值来预测未来网络中的边,验证了模型的有效性。     

嵌入局部模型的SOM网络对混沌时间序列预测研究

针对混沌时间序列特征空间多变性的特点，在SOM自组织神经网络中嵌入局部线性回归模型，用于混沌时间序列的预测，该方法融合了局部线性预测的优点以及SOM网络数据快速聚类能力，可视化特征识别性质和拓扑保留映射特点，既可减少运算时间和存储空间，又能适应混沌时间序列的多变特征，取得了较高的预测精度。     

基于神经网络的股市预测

本文讨论了有关神经网络用于股市预测方面的问题，包括股市原始数据的预处理、训练样本的确定。提出了适合于描述股市动态特性和时序特性的网络模型及学习算法，并对上海股市作了实际的预测。实验结果表明本文提出的方法是可行的和有效的。     

PLC在高炉探尺控制系统中的优化应用

本文介绍了高炉探尺控制PLC系统。根据高炉探尺料线,动态计算并给定探尺下放力矩,实现了探尺实时、精确检测料线,克服了探尺呆滞及倒垂的现象,帮助冶炼人员判断炉况,提高了冶炼强度。     

高炉焦炭质量的GA-SVM模型预测

焦炭的质量对高炉冶炼的生产有着重要的影响,为保证焦炭质量产量的稳定以及优化焦炭质量,针对线性回归预测方法难以解决配合煤与焦炭质量指标之间的非线性问题,通过分析焦炭质量影响因素,提出了一种基于GA-SVM模型的焦炭质量预测,解决了模型中惩罚因子C、基函数参数σ和不敏感损失参数ε难以确定的问题.最后基于某炼焦企业数据进行仿真实验,与BP神经网络预测比较,结果表明优化后的GA-SVM模型具有较高预测精度,对焦炭生产具有一定的应用价值.     

基于聚类和主成分分析的神经网络预测模型

提出一种基于聚类和主成分分析的神经网络模型,用于高炉运行指标的实时预测.首先采用谱系聚类将特性分散的样本划分成不同的子类,然后采用主成分分析方法对影响目标数据的众多变量进行降维处理,在此基础上,构建了高炉运行指标的神经网络预测模型,大大改善了预报的精度和效率.通过对采集的高炉数据进行测试,表明本文提出方法的有效性.     

高炉铁水[Si]含量预测控制模型的设计与实现

本文分析了高炉炉温传统控制方法的弊端,介绍了一种依据BP神经网络和专家知识相结合的方法设计的高炉铁水[Si]含量预测控制模型,同时,还介绍了预测铁水[Si]含量的主界面窗口和实现功能的方法。     

Prediction of the strength of mineral admixture concrete using multivariable regression analysis and an artificial neural network

This study applies multiple regression analysis and an artificial neural network in estimating the compressive strength of concrete that contains various amounts of blast furnace slag and fly ash, based on the properties of the additives (blast furnace slag and fly ash in this case) and values obtained by non-destructive testing rebound number and ultrasonic pulse velocity for 28 different concrete mixtures (M_control and M₁–M₂₇) at different curing times (3, 7, 28, 90, and 180 days). The results obtained using the two methods are then compared and discussed. The results reveal that although multiple regression analysis was more accurate than artificial neural network in predicting the compressive strength using values obtained from non-destructive testing, the artificial neural network models performed better than did multiple regression analysis models. The application of an artificial neural network to the prediction of the compressive strength in admixture concrete of various curing times shows great potential in terms of inverse problems, and it is suitable for calculating nonlinear functional relationships, for which classical methods cannot be applied.     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

基于Bootstrap的高炉铁水硅含量二维预报

高炉铁水硅含量的实时准确预报对调控高炉炉温和稳定炉况具有重要作用, 但其预报结果一直存在准确度不高和缺乏可信度表征等问题, 特别是在炉况不稳、运行数据波动较大时, 预报结果的准确度和可信度急速下降, 不利于现场操作人员根据预报结果进行生产操作. 为此本文融合神经网络和Bootstrap预报区间方法, 构建高炉铁水硅含量的二维预报模型, 实现在预报硅含量值的同时给出了该预测值的可信度.应用实例表明, 本文提出的方法提高了硅含量点预测结果的准确度, 且预测区间宽度能正确地表征点预测结果的可信度, 对实际生产操作具有较好的指导意义.     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。