一种基于粗糙集神经网络的陶瓷原料分类方法

文章在分析粗糙集和神经网络各自优势和存在问题的基础上,设计了一种将两者综合集成的新方法。该方法利用粗糙集对神经网络待处理的数据进行属性约简,借此来简化神经网络结构,然后利用三层BP神经网络建立陶瓷原料分类模型。实验结果表明,粗糙集神经网络方法用于陶瓷原料分类是可行的和有效的,有助于对陶瓷原料的选取,有一定的理论意义和实际应用价值。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于BP神经网络的天然气负荷预测方法改进

改进用影响因素最为输入变量的BP神经网络进行短期负荷预测的传统方法,讨论基于BP神经网络的两种天然气负荷预测方法,分析其稳定性和误差分布及平均误差大小,最后得出用前4年的数据作为输入变量,后一年的数据作为目标矢量的网络训练方法,误差分布均匀且平均误差非常小,可达到天然气负荷预测的要求。     

基于BP神经网络的焦炭质量预测

分析了配煤炼焦中影响焦炭质量指标的各种因素及传统焦炭质量的预测方法。以天津天铁焦化厂的配合煤及生产焦炭的各项实际数据为基础,在MATLAB环境下,进行了基于BP神经网络对焦炭质量预测的方法研究。实验结果显示:3种网络的误差基本相同,范围在2%～0.05%,以中间层为15个神经元的略好,满足焦炭质量的预测要求。     

基于反向神经网络的陶瓷材料Vickers硬度预测

误差反向传播神经网络(BP网络)具有能够正确逼近非线性映射关系的优点。将其运用到复相结构陶瓷材料Vickers硬度预测当中，克服了陶瓷材料研究中单因素实验法不能正确反映Vickers硬度与添加组分多因素之间复杂非线性关系的弱点，通过硬度预测和试验验证表明，该方法可行有效，为快捷、经济地开发研制新的陶瓷材料提供了新的思路和有效手段。     

基于改进差别矩阵属性约简的聚合釜粗糙集-神经网络故障诊断

引言 聚氯乙烯树脂(PVC)是重要的有机合成材料,其产品具有良好的物理性能和化学性能,广泛应用于工业、建筑、农业、电力、公用事业等领域.聚合釜则是聚氯乙烯生产装置的关键设备,聚合釜能否稳定运行直接关系到整个聚氯乙烯生产装置的运行状况.     

基于SVR误差补偿技术的神经网络城市污水厂水质预测

城市污水处理是一个复杂的生化处理过程,现在的神经网络技术无法做到对此过程精准建模.为了解决该问题,提出了一种基于SVR误差补偿技术的神经网络水质预测算法.该算法先利用BP神经网络对水质处理过程进行映射,再利用SVR误差补偿模型获得BP网络的预测补偿,进行预测数据校正.为了验证补偿模型的性能,还组织了马尔科夫补偿模型的对...     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明．BP神经网络能够对电力负荷进行较好地预测。     

基于EMD-BP神经网络的短期电力负荷预测

针对电力负荷具有的非平稳、随机性、不确定性的特点,提出用EMD-BP神经网络方法对电力负荷进行预测,通过EMD方法将非平稳、随机的电力负荷数据转换成平稳、确定性数据,之后利用BP神经网络进行电力负荷预测。通过仿真试验可以看出,相比于直接使用BP神经网络进行预测,EMD-BP神经网络的预测精度更高、相对误差较小。     

基于BP神经网络的膜蒸馏性能预测系统

利用BP（反向传播）神经网络模型建立了气隙式膜蒸馏性能（通量和造水比）与热进料温度、冷进料温度和管膜比之间的映射关系,神经网络由输入层（三输入）、隐含层和输出层（二输出）构成,隐含层包含6个神经元。神经网络模型预测通量和造水比的决定系数分别为0.9981和0.9801,具有很高的预测精度。Pearson相关性分析显示热进料温度、管膜比与通量呈正相关,冷进料温度与通量呈负相关,热进料温度、冷进料温度及管膜比对造水比均有正向影响,其中热进料温度对造水比的正向影响最大。     

应用基于粗集的模糊神经网络进行软测量建模的研究

提出将软测量建模与数据挖掘方法相结合的思想。针对模糊神经网络输入维数高,且对应的神经网络是权值不完全连接的网络,结构简单、训练速度快。将该方法用于催化裂化装置的轻柴油凝点的估计,取得良好的效果。     

基于粗糙集与人工神经网络的烟气机故障诊断

提出了一种粗糙集理论与神经网络集成的烟气机故障诊断方法。首先应用SOM网络对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论,借助遗传算法进行故障诊断决策系统约简,获得最优决策系统。最后在最优决策系统的基础上,设计RBF神经网络对烟气机故障进行诊断。试验结果显示,该方法可以有效提高烟气机故障诊断的精度和效率。     

基于BP神经网络的教学质量评价的探讨

教学是学校的基本功能,正确评价教学质量具有重要的实际意义。本文在分析现有教学评价方法的基础上,结合BP神经网络的特点,探讨了基于BP神经网络的教学质量评价方法。通过分析教学质量评价体系,我们构建了教学质量评价BP神经网络模型,模拟检验结果表明,BP神经网络可以有效、准确地评价教学质量。     

基于BP神经网络的镀镍层表面粗糙度预测及验证

以镀镍层的表面粗糙度为研究对象,应用BP神经网络构建预测模型,并对预测结果进行验证。结果显示:预测结果与测定结果较为接近,基本呈线性相关,偏差介于0.005~0.015μm范围内,最大误差为2.01%。这表明构建的BP神经网络模型能较为准确地反映电镀工艺条件与镀镍层表面粗糙度间的映射关系,凸显出应用价值。     

基于Sigmoid函数参数调整的双隐层BP神经网络的板形预测

提出一种改进的BP神经网络处理板形缺陷数据的方法,建立双隐层BP神经网络模型,并对Sigmoid激活函数的形状进行调节。将其应用到冷轧的板形缺陷识别中,与利用Levenberg-Marquardt规则训练的BP神经网络预测结果作对比,表明该方法不仅有效地减少双隐层BP网络的学习时间,同时改善了网络的泛化能力,有利于板形缺陷在线识别。     

基于人工神经网络的炸药性能研究

为了解人工神经网络方法在炸药性能预测的应用及发展,分析总结了BP神经网络在炸药性能预测方面的应用。选取合适的参考量作为输入,建立BP网络学习样本、训练样本,构建网络,训练并优化网络,调整隐含层节点数和迭代次数,使得预测误差处于可接受范围。通过对炸药的装药密度、爆热、爆速以及撞击感度等性能的研究,认为人工神经网络会对炸药更多的性能进行精确的预测,有重要参考价值。     

基于BP网络的陶瓷材料磨削去除方式预测

运用BP神经网络对涂层陶瓷材料磨削去除方式进行预测。结果表明,利用BP网络的高度非线性映射表达能力,实现了样本特征值空间到模式空间的映射,采用弹性BP算法对不同磨削条件下的涂层陶瓷材料磨削去除方式进行了预报,且识别正确率很高。     

基于粗糙集的仿人智能控制器的设计

将粗糙集理论的基本思想引入到仿人智能控制中,提出一种新型的仿人智能控制器的设计方法。利用粗糙集算法,从人的控制行为数据中提取控制规则,由此控制规则构造出仿人智能控制器,从而实现基于粗糙集的智能控制。