基于GA-SVM的露天矿抛掷爆破抛掷率预测

分析了高台阶抛掷爆破的机理过程,并从自然地质、爆破设计和人为操作3个角度出发,结合某矿区的实际开采情况,提取其中10个参数作为影响该矿区抛掷爆破效果的主要因素,以爆破领域中广泛接受的抛掷率作为抛掷爆破效果的评价因子,采用此矿区爆破生产中的实际数据建立了基于遗传算法优化的支持向量机模型GA-SVM。基于建立的GA-SVM模型,采用平均影响值（Mean Impact Value,MIV）作为评价标准,对各因素的影响程度进行了评定。结果表明：① GA- SVM模型能够比较快速、准确地根据此矿区的爆破设计参数预测出抛掷爆破的抛掷率,平均预测精度稳定在83.75%,与其他智能算法如BP,RBF,GRNN相比,GA-SVM具有更好的鲁棒性和更佳的预测精度。由于计算流程的统一性和预测方法的普适性,GA-SVM模型对于其他抛掷爆破参数（如最远抛距、松散系数等）也具有良好的外推性;② 对于此露天矿区而言,在其自然因素（如岩性等）和爆破设计因素（如炸药类型、起爆顺序、装药结构等）已确定的情况下,台阶高度、炸药单耗与抛掷率正相关,且台阶高度比炸药单耗对抛掷率的影响更大;而最小抵抗线、坡面角和剖面宽对于抛掷率呈现负相关,其他影响因素对于此露天矿抛掷率的影响较弱。     

大型石化项目全厂自动化实施策略的选取

随着石化项目的大型化、一体化和智能化,对于大型石化项目的全厂自动化已普遍采用框架性协议项目实施策略。介绍并比较了几种不同的全厂自动化项目实施策略的合同特点、优缺点和实施内容,并在选取理由、工作范围、供货范围和实际项目实施的成功经验和不足的基础上重点推荐了MICC策略,希望能给后续的全厂自动化项目实施的技术和管理人员提供有益帮助。     

MIV方法在苹果糖度近红外分析中的应用

针对苹果糖度近红外光谱数据的特点,分析了基于BP神经网络和偏最小二乘PLS的苹果糖度定量预测模型建立方法:,将平均影响值方法:(mean impact value)引入到近红外波长选取的过程中来,并与联合区间偏最小二乘法结合,达到波长优选的目的:。首先,利用联合区间偏最小二乘算法,筛选出与苹果的糖度相关度较大的光谱波长数据,再利用PLS-BP方法:建立预测模型。在此模型基础上,使用平均影响值方法:,对参与建模的每个波长数据进行评价,选取影响值最大的一系列波长点,重新建立模型。模型变量数为124,校正均方根误差(RMSEC)为0.1740,验证均方根误差(RMSEP)为0.4565。结果:表明,校正均方根误差,利用平均影响值与联合区间偏最小二乘方法:结合,对光谱数据进行波长的筛选,可以降低模型复杂度,同时提高模型预测精度。     

基于神经网络平均影响值的超短期风电功率预测

针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。     

基于MIV的BP神经网络磷酸铁锂电池寿命预测

针对锂离子电池循环寿命衰减问题,为了能更加准确地对锂离子电池的循环寿命进行预测,对磷酸铁锂电池全生命周期进行循环充放电测试,获得其相关性能参数,提出基于BP神经网络分析方法建立寿命预测模型。在预测模型基础上,运用平均影响值(MIV)算法筛选模型的输入参数。结果表明,所建立的电池循环寿命预测模型具有较高的精度,符合电池的实际运行特性,对解决电池寿命评估周期长和成本高等问题具有重要意义。     

An adaptive CEEMD-ANN algorithm and its application in pneumatic conveying flow pattern identification

The accurate measurement of dust concentration using electrostatic sensor is serious affected by two-phase flow patterns in practice. In this paper, the electrostatic sensor signals of flow in a pneumatic conveying pipeline were collected, and the electrostatic fluctuation signals of three typical flow patterns of gas–solid two-phase flow in the horizontal pipe were obtained. By combining complementary ensemble empirical mode decomposition (CEEMD) and a back propagation (BP) neural network, an algorithm for flow pattern identification is proposed. This algorithm can adaptively determine the number of layers of the intrinsic mode function (IMF) decomposition and the number of input vectors for the neural network, ensuring the minimum size vector is used. The selected IMF energy feature as the input of the BP neural network can effectively ensure that an accurate flow pattern discrimination rate is obtained. The experimental results show that the algorithm proposed in the paper can guarantee the recognition rate of the flow pattern to reach more than 99%, yet through adaptive adjustment ensure that the size of trained BP neural network input is as small as possible, and the guaranteed algorithm calculation is kept at a minimum.     

基于MIV和BRBP神经网络的电路板红外诊断方法

针对BP神经网络对于海量数据训练及多维数据训练收敛困难的问题,在使用增加动力项、自适应学习速率等方法的基础上,引入均值影响度算法(MIV)构造了贝叶斯正则化反向传播(BRBP)神经网络,以此提高电子线路板红外故障诊断算法的效率。利用红外测温方式,获取了不同室温及运行状态下电路板中21个元器件温度数据。将此21个参数作为故障诊断模型的初始输入变量,经过MIV算法简约为12个参数输入至BRBP神经网络,进行故障评估和诊断。结果表明:相对于传统的BRBP神经网络,本文设计的基于MIV和BRBP神经网络模型诊断方法极大简化了数据训练的数据量并解决了数据收敛的困难,因此效率更高,用时更省。     

基于神经网络集成的女下装号型归档模型构建

如何实现大样本的快速、精确号型归档是服装数字化批量定制系统构建的关键问题.结合下装结构设计的关键部位尺寸,在国家标准基础上将下装控制部位扩展为10项;以女裤装为例,分别构建身高和腰围的简单BP神经网络归档模型,通过平均影响值(MIV)筛选出对归档结果影响较大的5个控制部位,并将其作为集成归档模型的输入层,其中身高、腰围、臀围、腰围高、后裆长为身高归档模型的输入变量,腰围、臀围、大腿围、腰长、身高为腰围归档模型的输入变量;通过Adaboost算法集成10个简单BP神经网络,获得具有高精度和强泛化能力的女裤装号型集成归档模型.     

基于神经网络MIV算法的烟叶加料均匀性预测分析

为了预测分析不同工况下烟叶加料的均匀性,文中提出一种基于神经网络MIV算法的烟叶加料工艺参数优化方法。通过对烟叶加料的工艺参数进行神经网络训练,利用MIV计算出各参数与加料均匀性的相关性,确定影响加料均匀性的关键工艺指标。文中进行了相应的试验证明,结果显示相对误差被控制在5%以内。由此结果推出影响加料均匀性的关键工艺指标为:排潮开度、工艺流量、气体压力及料液流量。其中,排潮开度、工业流量及料液流量与加料均匀性负相关,气体压力与加料均匀性正相关;经过MIV进行变量剔除的神经网络的预测性较好。