神经网络模型与时差方法结合预报铁水硅含量

针对以ＢＰ算法为代表的监督学习神经网络在直接多步预测中不能渐进计算的问题,建立了一个三层简单反馈递归的神经网络模型,提出了将神经网络模型与时差方法相结合在高炉铁水硅含量预报中应用的策略。结合现场采集的实时数据进行实验,并与采用ＡＲＭＡＸ模型的预测结果相比较,具有较高的命中率。     

神经网络专家系统在高炉布料控制中的应用

将模式识别中的统计方法与人工神经元网络方法有机地结合起来,设计了一种综合的高炉煤气流分布模式识别系统。并基于鞍钢10#高炉操作工艺,将该模式识别系统与专家系统相结合,建立了高炉布料操作专家系统。     

实时专家系统中反应—规划—动作的集成

以AMPE模型为基础,探讨了在动态环境下AI系统如何集成响应执行和规划生成的问题。AMPE模型是从实际应用中演化出的AI模型,采用分离结构,在规划中引入一类被称为观察点的特殊行为,支持异步重规划。描述了AMPE的各类规划行为的形式和消息的基本结构。给出一个规划表示的实例。     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

高炉参数学习用模糊神经网络专家系统

用模块化模糊神经网络模型进行参数学习专家系统的研究是根据不同的炉况类型及其相关主变量将整个参数学习模型分解的几个结构相似的子模糊神经网络的模型。其中,子神经能够模拟诊断推理过程,动态地进行特征数据的权重、模糊等级的界限值和规则可信度的调整。采用该方法对现场采集的数据进行实验。结果表明同该方法具有较好的学习效果。     

混合神经网络及其在高炉径向煤气流模式分布中的应用

提出一种高炉径向煤气流模式分布的混合神经网络模式识别方法,针对从“样本特征模式空间”到“样本类别空间”具有较强非线性的模式识别问题,提出了一种由自组织竞争子神经网络（ＡＳＣＳＮＮ）和基于径向基函数子神经网络（ＲＢＦＳＮＮ）串联而成的混合神经网络．其中,ＡＳＣＳＮＮ用于对输人的特征模式空间进行自组织分类,以使识别更加稳定;ＲＢＦＳＮＮ对样本特征模式进行识别．根据工业现场采集数据进行实验,验证了该方法的可行性．     

神经网络在高炉铁水含硫量预报中的应用

将TD方法与人工神经元网络方法有机地结合起来 ,提出了一种在高炉铁水含硫量预报中的应用策略。并基于鞍钢 10 # 高炉操作过程 ,建立了高炉铁水含硫量预报专家系统     

一种混合神经网络在颗粒图像边缘检测中的应用

本文提出了一种应用混合神经网络进行颗粒图像检测的方法。混合神经网络由用于对边缘候选图像的二值输入模式进行聚类特征提取的自组织竞争子网络（ＡＳＣＳＮＮ）和用于获取颗粒图像边缘矢量信息的ＢＰ子网络（ＢＰＳＮＮ）组成,边缘候选图像是通过采用基于灰度极小值算法提取的边缘候选象素获得。神经网络以边缘候选图像中的边缘候选象素及其邻域象素的二值模式作为训练样本。对经过噪声污染的图像进行实验表明,该方法获得的边缘图像封闭性好、边缘描述真实,抗干扰能力较强,适用于颗粒图像的边缘检测。     

专家系统在模型识别上的应用初探

本文针对二维的非线性静态模型设计了一个试验系统IMMS,此系统是一个基于知识的专家系统,客观对象的数学模型是通过不精确推理、启发式搜索和参数估计而得的。     

实时数据及时态知识的表示

在实时专家系统中引入时间概念后，涉及时间的知识的表示成为值得注意的问题，本文在分析一些典型事例的基础上，着重探讨以下３个问题，如时间数据的有效表示；知识中时间特征的表示；推理中知识的时间一致性检验等.