电弧炉冶炼终点预报模型的建立与应用

针对超高功率电弧炉炼钢过程的复杂性、非线性和不确定性,建立了基于BP算法的神经网络预报模型。该模型以物料信息和目标温度为输入节点,对达到目标温度时所需的电耗进行预报,通过对模型网络结构的调整,提高了预报的命中率。仿真研究表明,当隐含层节点数为3,训练函数为traingdm时,预报值在±6%内的命中率为83%。     

神经网络与遗传算法应用于离子镀膜性能预报与工艺优化

以多弧离子镀（ＴｉＡｌ）Ｎ膜为例,建立了模层性能预报神经网络模型;将神经网络模型与遗传算法结合,建立了实现工艺参数优化（设计）的遗传算法模块．实验结果验证了性能预报神经网络模型与工艺优化遗传算法模块的可靠性,为解决离子镀膜性能预报与工艺优化设计问题提供了一条先进、合理的途径．     

电弧炉温度预报模型的设计与实现

针对某厂150t超高功率电弧炉的生产设备、冶炼工艺和终点预报问题进行研究,通过混合编程技术,建立基于BP神经网络的电弧炉温度预报模型,并基于现场生产数据进行优化.优化后当温度控制精度为士20℃时,模型预报命中率达到82.5％,可以满足实际生产的要求.而且模型与现场数据库建立连接,实现模型的自动运行和温度的实时预报.实践...     

神经网络模型在怀洪新河洪水预报中的应用

建立了基于神经网络的洪水预报模型.该模型根据历史洪水样本,将河道预测点上游参考点的水位、流量以及预测点的水位作为神经网络的输入,预测点的流量作为神经网络的输出.采用BP算法训练网络,并将训练成功的洪水预报神经网络模型分别按8,16,24 h等预见期对新胡洼闸、西坝口闸水位进行预报,取得了较高的预报精度,验证了模型的有效性.     

基于RBF神经网络的转炉炼钢终点预报

转炉炼钢控制目标是终点温度和碳含量，由于炉温过高，无法在线连续测量.用传统的机理模型建立的终点温度和碳含量模型不够精确.基于RBF神经网络任意逼近函数能力，隐层中心采用最近邻聚类算法，避开K-均值法依赖于聚类中心的初始位置，易陷入局部极小点的缺点.权值调整采用带加权因子的递推最小二乘算法，建立基于RBF神经网络的转炉炼钢终点温度及碳含量的预报模型，并结合某钢铁企业一座180 t转炉的实际数据进行模型验证研究.结果表明,预报精度高于传统的机理模型及BP模型.     

BP神经网络和ARIMA模型的变权组合电离层TEC预报

针对电离层总电子含量(TEC)非线性、非平稳性的特性,提出基于BP神经网络和差分自回归移动平均模型(ARIMA)的最优非负变权组合预报模型,并将其应用于TEC预报。利用IGS中心提供的不同经纬度的电离层平静期、活跃期TEC数据,分别采用BP神经网络模型、ARIMA模型和变权组合模型对TEC进行5 d预报。实验结果表明:在电离层平静期和活跃期变权组合模型预报5 d的平均相对精度分别为94. 7%和88. 9%,其中预报残差小于3 TECu的分别达到89. 3%和78. 5%,较单一模型的预报精度有明显提高。     

遗传算法优化神经网络用于大气污染预报

大气污染预报可以对大气污染提出警示,保护人体健康和生活环境.为了对北京市PM10的质量浓度进行预报,建立了用于大气污染预报的遗传神经网络模型,该模型运用遗传算法优化神经网络的权值和阈值,有效提高了网络的收敛性和预报准确率.用改进后的神经网络对北京市PM10的质量浓度进行了模拟,并将模型模拟结果与美国第3代空气质量模型Models-3(CMAQ)的数值模拟结果进行了比较.实验结果表明:遗传神经网络模型和数值模型的模拟结果的平均相对误差分别为0.21和0.26,用于空气污染物质量浓度短期预报时,神经网络模型的预测精度与数值模型的预测精度相当.对于没有条件开展空气污染数值预报的城市或地区,神经网络是一种有效的替代方法.     

基于BP神经网络的转炉炼钢终点预报

转炉内的温度极高，对终点温度和碳的含量很难及时、准确地测量，因此建立精确的温度和碳的预报模型十分重要.但转炉炼钢是一个非常复杂的很难用数学方程精确描述的高温冶金反应过程，传统的静态模型控制精度不高，命中率不很理想.为此提出了基于BP神经网络的转炉炼钢终点温度及碳含量的预报模型，以Levenberg Marquardt(LM)算法来训练网络，其算法是梯度法与高斯牛顿法的结合.仿真结果表明，预报精度高于传统的机理模型.     

A Chaotic ANNs Model for Rivers Daily Runoff Forecast

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理，采用BP算法训练网络，建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明，将神经网络模型应用于热轧控制预报，具有现实意义。     

DE算法改进的炼焦能耗RBF预测模型

针对炼焦能耗计算繁琐、影响因素众多的问题,以目标火道温度、烟道吸力、水分、挥发分和炼焦时间为输入变量,以炼焦能耗为输出变量,提出基于差分进化算法改进的RBF预测模型。由于RBF网络存在学习能力差、收敛速度慢等多个缺点,针对性地改进了差分进化算法优化的能耗预测模型。利用具有强大全局搜索能力的差分进化算法,选择RBF网络中基函数的中心值、宽度和输出权重的计算最优值,以此作为RBF神经网络的中心值、宽度和输出权重。结果表明,改进后的RBF预测模型具有较高的精度、稳定性和训练速度,对降低炼焦能耗、提高焦炭产量和提高企业经济效益具有重要意义。     

基于遗传模拟退火算法的滑坡位移预测方法

滑坡是一种常见的地质灾害,通常在复杂的地质条件下演化和发生,给社会和人类的生命财产安全造成了极大的危害.了解滑坡的发展规律,对灾害防治具有重要意义.在现有滑坡累积位移时间序列的基础上,提出了一种基于遗传模拟退火算法的滑坡位移预测方法.采用遗传模拟退火算法-BP神经网络对白水河滑坡预警区Z118观测点进行分析,利用前3个...     

基于人工神经网络的结构腐蚀损伤定量预测

用BP神经网络算法分别对飞机结构材料，1Cr17不锈钢腐蚀损伤数据进行学习训练，建立了腐蚀损伤与环境条件的映射模型，并预测腐蚀损伤值。结果表明，ANN预测的精度比灰色GM（1，1）模型及Logistic模型的预测精度高，且对数据有较好的适应能力，将ANN技术用于飞机结构腐蚀损伤预测是可行的。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法（sparrow search algorithm,SSA）优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了 0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。     

钢拱塔斜拉桥的温度耦合效应和索力预测

钢拱塔斜拉桥的受力体系与传统斜拉桥有所不同,为研究环境温度变化对这种异形桥塔斜拉桥主要受力部件的影响,以某钢拱塔斜拉桥为工程背景,首先基于在线监测获取的环境和部件温度数据,分析斜拉索索力、拱塔倾角和主梁应变的温度时变效应;然后以斜拉索为研究对象,通过该桥的有限元模型升降温模拟,分析各部件温差引起的温度耦合效应对拉索索力的影响;最后以环境温度、主梁温度、桥塔温度为输入,索力为输出,利用长短期记忆神经网络对实测索力-温度数据进行映射,实现数据压缩和特征提取,建立温度-索力预测模型,再对网络模型输入新的温度监测数据,以预测索力。研究结果表明：主梁和钢拱塔温度变化具有周期性,且滞后于环境温度;主梁应变与环境温度的变化趋势基本一致但具有一定的滞后性,环境温度变化对拱塔倾角的影响很小且没有周期性规律;索力与环境温度呈线性负相关,且需要考虑斜拉桥各部件的温差所引起的温度耦合效应;长短期记忆神经网络对带有时序特性的数据训练效果好,建立的温度-索力关系模型准确度高,可用于该桥索力的实时预测。     

数控车床主轴热误差SHO-LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%~70%,是主要的误差源之一。为了提高热误差预测的精度,提出了一种使用海马优化算法(SHO)优化时序预测网络(LSTM)的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法(GOA)对模糊C均值聚类(FCM)的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合Person、Spearman和Kendall相关分析方法优化温度测点,使用手肘法确定最优分组规模。根据DB、BWP和Silhouette聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用SHO对LSTM的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO-LSTM预测模型。再次,在不同转速下对构建的热误差模型进行基于平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE的预测效果进行评估。最后在CKA6163A型车床上进行实例验证,使用五点法进行测量辨识,同时测量主轴附近的温度。实验结果表明：所提出的温度测点优化算法相比未优化的模糊C均值聚类(FCM)的DB指标降低了89%,BWP和Silhouette分别提高了59%和8.17%,对比结果表明优化后的聚类算法可有效降低温度测点间的共线性,提高预测模型的预测效率。所提出的海马优化算法(SHO)优化时序预测网络(LSTM)与未优化的时序预测网络(LSTM)相比,所提出的预测网络的均方根误差RMSE降低了42%,表明海马优化算法(SHO)可以提高时序预测网络(LSTM)的准确性;与天鹰(AO)优化卷积神经网络(CNN)相比,所提出的预测网络的均方根误差RMSE降低了3%;与反向传播神经网络(BP)相比,所提出的预测网络的均方根误差RMSE降低了57%,对比结果表明SHO-LSTM主轴热误差预测模型的鲁棒性和准确性更高。     

基于差分进化的BP神经网络在纱线质量预测中的应用

为了提高BP神经网络在纱线质量预测上的精度,采用差分进化算法训练BP神经网络,利用差分进化算法的全局寻优能力优化BP神经网络的权值和阈值,建立了反映纱线质量的重要指标——单纱强度和条干CV%的神经网络预测模型.对真实数据的测试表明该算法效果良好,提高了BP神经网络算法的预测精度,能够为企业的纱线质量预测提供有效支持.     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.