一种新型BP神经网络的生成算法

提出了一种新型的神经网络的训练方法，包括输入层节点的自动寻找技术和隐含层节点的自动生成技术，为了验证该算法的正确性，利用该算法对同向回转双机驱动振动式系统进行了神经网络逼近分析，计算机模拟结果表明该算法可以准确地确定输入层和隐含层节点的数目。     

基于GRA-GS BP选矿成本预测的研究

针对选矿成本影响因素较多,各因素间存在耦合和非线性关系以及BP神经网络隐含层节点数难以选择的问题,提出一种基于灰色关联分析与黄金分割法改进BP神经网络的成本预测法。首先运用灰色关联分析法计算各因素与选矿成本的关联度,选取关联度最大的四个变量作为BP网络的输入;其次采用黄金分割法搜索历史数据区间中的理想数值,在高精度的要求下,对隐含层节点数频繁出现的区间进行拓展,求得非线性映射能力更强的隐含层网络节点数;最后利用仪表柜中储存的现场数据对成本预测模型进行验证,验证结果证明该方法能够实时准确地预测选矿成本的变化趋势。     

基于AP聚类的RBF神经网络研究及其在转炉炼钢中的应用

针对RBF神经网络学习算法不能很好地确定其隐含层节点数、隐含层节点中心及其半径的问题,利用AP聚类算法无需事先确定聚类数的特点,提出了一种基于AP聚类的RBF神经网络算法。将该算法应用于120t转炉Q235B钢种冶炼过程的终点碳含量和温度预报,预测结果与实际结果比较,表明该算法具有预测精度高等优点,可为类似应用提供借鉴。     

基于AP聚类的RBF神经网络研究及其在转炉炼钢中的应用简

 针对RBF神经网络学习算法不能很好地确定其隐含层节点数、隐含层节点中心及其半径的问题,利用AP聚类算法无需事先确定聚类数的特点,提出了一种基于AP聚类的RBF神经网络算法。将该算法应用于120t转炉Q235B钢种冶炼过程的终点碳含量和温度预报,预测结果与实际结果比较,表明该算法具有预测精度高等优点,可为类似应用提供借鉴。     

基于PSO-RBF神经网络模型的岩爆倾向性预测

鉴于岩爆机理的复杂性以及岩爆发生前后信号提取困难的现状,对高应力区进行岩爆倾向性预测研究具有现实意义。为提高岩爆预测的准确性,基于岩爆预测多维非线性的特点,选取4个影响岩爆发生的核心指标作为判决依据,结合粒子群优化算法(PSO)与径向基神经网络(RBF)建立了PSO-RBF神经网络岩爆预测模型。采用试错法确定隐含层节点数后,进一步利用国内外典型工程数据对模型参数隐含层基函数中心ci,隐含层节点宽度σi以及隐含层与输出层间权重因子w进行学习优化以获取最优参数,并将所建立的模型应用于实际工程的岩爆倾向性预测。结果表明:利用该模型预测的岩爆等级与实际岩爆情况基本相符,相对误差率为10%,精度较以往预测方法有显著提高。     

基于C++ Builder的凝汽器故障诊断系统

为了有效地对电厂凝汽器进行故障诊断并给予操作指导,开发了凝汽器故障诊断系统.该故障诊断系统分别采用标准BP算法和改进BP变步长附加动量法进行网络的学习训练.以凝汽器故障知识库为依据,构造了17个输入层节点、13个隐含层节点、12个输出层节点的三层反向传播网络.经过对比,说明采用经过改进BP变步长附加动量法进行网络的学习训练,能够快速收敛,误差小于0.01.实例数据测试表明,训练的网络能够得到较为准确的故障诊断效果.软件系统的设计选用C++Builder6.0快速开发工具,该软件系统具有友好的用户界面,操作简单.     

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。     

单层工业厂房抗震设计中的节点问题

本文通过对地震区意志层工业厂房特有的震害现象，分析了屋面板与屋架，屋架与柱、柱间支撑与柱等节点的抗震性能。强调了对加强屋架与柱头的节点，柱头颈埋件及柱间支撑的上下接节点等一些较为关键部位的重点性。     

应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量

应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。     

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿FeO含量难以直接预测的问题，提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率，结合烧结工艺，选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构，Adam算法优化四层BP神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时，命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比，该模型的误差更小，同时预测精度也得到显著提升。     

Prediction of the measured temperature after the last finishing stand using artificial neural networks

In this report the development of an artificial neural network, capable of predicting the temperature after the last finishing stand of a hot strip mill for a certain class of steels, is described. Three neural networks with different numbers of hidden nodes (3, 5 and 7) were trained. The relative standard deviation in finish temperature as predicted by the best performing neural network model (7 hidden nodes) was just over 25% smaller than that of the linear Hoogovens model. This improved accuracy can be explained by the incorrect assumption in the Hoogovens model of linear dependence of the finishing temperature on some input parameters. With the trained neural network, the influence of the various input parameters on the finishing temperature could be examined. The dependencies predicted by the neural network can be approximated by a linear fit and are a factor 2 lower for all input parameters. It is conceivable that operation of the mill using an artificial neural network for the prediction of the finishing temperature would have resulted in smaller operational fluctuations.     

Modeling of Synergetic Effect of LIX 984N and D2EHPA on Separation of Iron and Zinc Using Artificial Neural Network

Artificial neural network was used to predict the synergetic effect of LIX 984N and D2EHPA on separation of iron from zinc solution. The aim was to predict iron and zinc extraction as a function of pH, temperature, and various organic compositions. Optimum number of hidden layers and nodes in each layer were determined. A multilayer network, with two hidden layers (4:9:5:1) was applied to predict zinc and iron extraction. Effect of pH, temperature, extractant composition, and interaction of them on extraction percent was also investigated using 3D plots. The modeling results showed that there is an excellent agreement between the experimental data and the predicted values.     

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。     

极限学习机在中厚板轧制力预报中的应用

摘要：轧制力是影响中厚板厚度精度和板型的关键因素。兴澄特钢中厚板轧机二级模型采用传统Sims公式计算轧制力，精度较低。为提高轧制力预报精度，首先基于大量历史生产数据，通过主成分分析法对影响轧制力的因素进行处理和分析，选出权重较大的影响因子；其次选取现场代表钢种进行热模拟压缩实验，在此基础上提出基于极限学习机(ELM)的综合神经网络轧制力预报模型，即先通过化学成分计算出基准变形抗力，再将其作为轧制力神经网络输入变量进行轧制力预报。建模采用10折10次交叉验证确定最佳网络隐层节点数，并用现场实际生产过程数据对网络进行训练与测试。综合神经网络模型投入现场生产，轧制力预报相对误差±10%以内占比提高15.61%，钢板头部厚度命中率提高1.9%。     

BP神经网络和弹跳方程在铝热连轧厚度预报中的综合应用

采用BP神经网络方法建立了铝热连轧精轧机组出口厚度预测模型,采用试错法解决了中间隐层最佳隐层单元数的问题,采用回归法确定了轧机的相关弹性系数,建立了轧机的弹跳方程数学模型。通过比较有、无传统弹跳方程数学模型输入的神经网络厚度预测模型,确定了弹跳方程对神经网络在热连轧厚度预报应用中的重要性,提出了BP神经网络与数学模型相结合的综合网络方法。相比全部使用整体神经网络,中间隐层最佳隐层单元数减小,网络结构得以简化,网络负担减小,网络的泛化能力也得到加强,同时也进一步提高了预报精度。预测结果与实测数据对比表明,相对误差在1％以内,实现了高精度预报,为铝热连轧出口厚度预报提供了一条准确高效的新途径。     

Extracting rules from neural networks by pruning and hidden-unit splitting

An algorithm for extracting rules from a standard three-layer feedforward neural network is proposed. The trained network is first pruned not only to remove redundant connections in the network but, more important, to detect the relevant inputs. The algorithm generates rules from the pruned network by considering only a small number of activation values at the hidden units. If the number of inputs connected to a hidden unit is sufficiently small, then rules that describe how each of its activation values is obtained can be readily generated. Otherwise the hidden unit will be split and treated as output units, with each output unit corresponding to an activation value. A hidden layer is inserted and a new subnetwork is formed, trained, and pruned. This process is repeated until every hidden unit in the network has a relatively small number of input units connected to it. Examples on how the proposed algorithm works are shown using real-world data arising from molecular biology and signal processing. Our results show that for these complex problems, the algorithm can extract reasonably compact rule sets that have high predictive accuracy rates.     

基于改进BP算法的连铸板坯中心偏析预报模型

结合某厂连铸生产数据,采用带有附加动量项的改进BP算法,建立了连铸板坯中心偏析的BP人工神经网络预测模型。应用结果表明,其预测准确率为90%,可满足连铸生产中对铸坯中心偏析预报精度的要求。分析导致预报偏差的主要原因是,网络模型隐含层节点较多、网络结构复杂、中心偏析等级为1.0的样本学习次数较多和噪音样本剔除不彻底等。     

Modeling and Predicting Biological Performance of Contact Stabilization Process Using Artificial Neural Networks

In this paper, the microfauna distribution data of a contact stabilization process were used in a neural network system to model and predict the biological activity of the effluent. Five uncorrelated components of the microfauna were used as the artificial neural network model input to predict the dehydrogenase activity of the effluent (DAE) using back-propagation and general regression algorithms. The models’ optimum architectures were determined for the back-propagation neural network (BPNN) model by varying the number of hidden layers, hidden transfer functions, test set size percentages, and initial weights. Comparison of the two model prediction results showed that the genetic general regression neural network model demonstrated the ability to calibrate the multicomponent microfauna, and yielded reliable DAE close to that resulting from direct experimentation, and thus was judged superior to BPNN models.