基于群智能算法优化LSTM的催化裂化预测研究

针对长短期记忆神经网络(LSTM)预测模型中许多网络参数过分依赖于经验设置，人工参数设置导致模型的精度低、泛化能力弱等问题，采用搜索范围广、收敛速度快的粒子群算法(PSO)和布谷鸟算法(CS)对LSTM的一些超参数进行优化，构建PSO-LSTM模型和CS-LSTM模型，寻找到LSTM的最优参数集，从而更好地提高了模型预测精度。将优化后的模型应用于催化裂化吸收稳定系统主要控制变量解吸塔再沸器返塔温度预测中，验证了模型的有效性。     

基于GRU神经网络多标签多分类的焦炭质量预测模型

通过关联配合煤中硫、灰分、挥发分的质量分数等主要的煤质指标，利用基于Adma算法为优化器的GRU神经网络模型，不断对模型参数进行调整后，通过sigmoid激活函数判断模型准确率的多标签多分类方法，建立了焦炭质量预测模型。结果表明：当三层GRU网络的隐层神经元数量为(64,64,64);学习率为0.01;样本批次大小为64;样本训练次数为50;丢弃率为0.3时，得到了模型的最优参数，此时模型预测准确率达到97%。采用GRU神经网络多标签多分类焦炭预测模型不仅具有高精度、低损失函数等特点，而且针对小样本配煤数据预测焦炭质量可以达到很好的效果，对实际的配煤炼焦具有一定的参考意义。     

基于鲸鱼算法优化深度极限学习机的锂离子电池剩余使用寿命间接预测

鉴于对锂离子电池直接预测剩余使用寿命（RUL）困难，而极限学习机预测效果不稳定的现状，提出基于等压降放电时间和深度极限学习机（DELM）相结合的间接预测方法。首先，在恒流放电过程中提取出表征电池性能退化的等压降放电时间，分析它与容量间的相关程度并选之作为间接健康因子；其次，引入鲸鱼优化算法（WOA）优化深度极限学习机模型参数，构建锂离子电池RUL预测模型。用锂离子电池数据集中的B0005、B0007两个电池进行实验，结果表明：基于等压降放电时间的WOA-DELM模型预测方法相较于BP神经网络、DELM和PSO-DELM，能够更加准确地预测出锂离子电池的RUL，预测误差±5%，具有较好的预测精度和较快的收敛速度。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

面向反应再生过程的量子粒子群多目标优化

针对催化裂化反应再生过程难以有效解决提升效率、降低损耗、减少排放的多目标优化问题，利用改进的多目标量子粒子群算法进行求解。建立轻油收率、焦炭产率和硫化物排量的多目标优化模型；引入拥挤熵排序更新外部档案，精确估计非支配解集分布性；构造自适应因子以动态调整吸引子，平衡算法的收敛性和多样性；再引入高斯变异进行分段式扰动，增强算法的局部搜索精度，最后求解该优化模型。对某厂催化裂化进行实验，得到轻质油吸收率76.22%，焦炭产率5.72%和硫化物排放量626 mg/m³的结果，均优于其他比较算法，表明改进后的算法可以快速、准确地获得分布均匀的 Pareto 最优解，能有效解决反应再生过程多目标优化问题。     

基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法（AWOA）和快速学习网（FLN）综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

基于适应策略差分进化算法的化工反应动力学参数估值

为了更准确地通过煤烟气成分推测汞元素氧化程度,建立精确的汞氧化过程动力学模型至关重要。目前已有的汞氧化过程动力学模型中存在一些难以确定的未知参数,为了确定模型中这些参数的最优值,本文提出一种改进的适应策略差分进化算法（ASDE）。该算法引入变异策略、缩放因子（F）和交叉参数（CR）候选集合,同时为集合中每个候选参数赋予一定的选择概率。在进化搜索过程中,以历史成功搜索信息为基础,实时更新每个候选集合中各参数对应的选择概率,并根据选择概率自适应为下一时刻进化群体中每个个体分配变异策略和对应控制参数。将改进算法用于汞氧化过程动力学参数估值问题,实验结果显示,相对其他6种算法,改进算法ASDE求解得到模型更加接近实际,是一种求解化工反应动力学参数估值问题的有效方法。     

基于改进差分进化算法的神经网络管道泄漏检测

提出了一种基于神经网络与差分进化算法的天然气泄漏预测方法,该方法采用RBF神经网络作为泄漏预测模型,引入改进的差分算法对网络的初始连接权值进行优化。为了在全局搜索和局部搜索之间取得最佳平衡,提出了一种自适应变异因子和交叉概率的改进算法,并将其应用于泄漏预测神经网络模型优化。将所提出的方法与原始算法的前向网络预测方法进行了比较。结果表明:所提出的方法收敛速度快,所得模型的预测误差小、准确率较高、迭代次数少、泛化能力强,对天然气的泄漏预测有很好的参考作用。     

语音激活检测方法的分析和比较

语音激活检测（voice activity detection,VAD）是语音信号处理中的一个重要任务，旨在识别出语音信号中的语音段和非语音段。本文将通过实验分析和比较几种目前主流的VAD算法，包括基于多特征流（multiple feature streams,MFS），基于长短时记忆网络（longshort-termmemory,LSTM)，基于集成深度神经网络（deep nueral network,DNN），基于自适应上下文注意力机制（adaptive context attention model,ACAM）的方法。综合来看，MFS模型简单、易于部署。当检测目标为含噪声时应尽可能采用深度模型，计算资源充足时可以采用DNN模型，反之则可以采用ACAM模型，它在损失了很少的精度下，将参数数目大幅压缩。     

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响，因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据，结合变分模态分解算法(VMD)对其进行分解，通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型，对分解后的形变分量进行综合预测；以云南省玉溪市大红山矿区为例，利用该模型对其地表形变进行了预测，结果表明：VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题；SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数，有效减少了人为因素对模型预测效果的干扰，模型预测结果的决定系数R²均大于0.96;同时，该模型采用“多维输入”的方式训练模型，提高了训练效率；该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变，可为矿山安全生产管理提供参考。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

LSTM模型在海绵城市建设中的应用

针对海绵城市给排水规划设计中排水性路面建设难、流体管网充满度预测不准确等问题,提出了一种渗透性路面来解决城市内涝问题,并对其建设方式和使用材料进行了说明,同时为了对规划流体管网的排水能力进行预测,将LSTM神经网络和卷积神经网络结合,提出一种改进的LSTM模型对流体管网充满度进行预测.最后,对文中的透水性路面性能和流体...     

基于自适应模糊神经网络的非线性系统模型预测控制

针对非线性动态系统的控制问题,提出了一种基于自适应模糊神经网络(adaptive fuzzy neural network, AFNN)的模型预测控制(model predictive control, MPC)方法。首先,在离线建模阶段,AFNN采用规则自分裂技术产生初始模糊规则,采用改进的自适应LM学习算法优化网络参数;然后,在实时控制过程,AFNN根据系统输出和预测输出之间的误差调整网络参数,从而为MPC提供一个精确的预测模型;进一步,AFNN-MPC利用带有自适应学习率的梯度下降寻优算法求解优化问题,在线获取非线性控制量,并将其作用到动态系统实施控制。此外,给出了AFNN-MPC的收敛性和稳定性证明,以保证其在实际工程中的成功应用。最后,利用数值仿真和双CSTR过程进行实验验证。结果表明,AFNN-MPC能够取得优越的控制性能。     

An approach to blast furnace coke quality prediction

Although coke cold drum mechanical strength has historically been the most relevant coke quality parameter, currently coke reactivity and post-reaction strength (CRI/CSR) are the most important parameters used to assess blast-furnace coke quality. Many models of coke quality prediction have been proposed, most of which are based on coal characteristics and limited to the same coal geographic origin, but as yet there is no universally applicable prediction formula. The present work describes a simple model of coke CRI/CSR prediction based on the assumption that the CSR of a coke produced from a blend of coals can be predicted from the CSR obtained from the cokes of the individual coals through the application of the additivity law. The additivity law was also applied to the coke cold mechanical strength indices derived from the Irsid test, which are widely employed by the European coke industry as complementary coke quality indicators.     

改进鲸鱼优化算法及其在渣油加氢参数优化的应用

针对智能优化算法在处理非线性优化问题中存在的容易陷入局部最优和收敛精度差等问题,提出了一种基于结合差分进化和精英反向学习的改进鲸鱼算法（DEOBWOA）。该算法引入对立搜索初始化、精英反向学习,并结合差分进化进行变异修正,显著有效地提高WOA算法的收敛精度和收敛速度,提高其跳出局部最优的能力。之后采用8个标准测试函数进行仿真实验,结果表明：DEOBWOA算法与标准WOA、HCLPSO、DE算法相比,全局搜索能力和收敛速度都有较大提升。最后建立了渣油加氢动力学模型,考虑到渣油加氢过程中存在诸多典型的非线性约束问题,以某炼化厂渣油加氢装置为例,应用DEOBWOA对渣油加氢反应动力学模型参数进行优化,结果表明该算法能较好地处理实际工程优化问题。     

一种改进的混合遗传算法人工神经网络及其应用

采用自适应交叉变异、最优保存、局部寻优的遗传算法,避免了BP神经网络在训练过程中收敛于局部极小点的缺陷,并将其对神经网络的权值和阈值进行优化,从而提出了一种改进的混合遗传算法神经网络模型。该算法首先对一给定的神经网络结构,采用自适应交叉变异和最优保存策略对神经网络进行优化;然后采用局部寻优策略进一步克服神经网络学习算法的早熟问题。采用上述三种优化策略的神经网络模型对三元混合物溶液的物性和烟叶质量进行预测。试算结果表明,与实验值相比,预测结果良好。     

广义回归神经网络的改进及在延迟焦化建模中的应用

广义回归神经网络（GRNN）具有明确的概率意义,其参数大多能自动确定,仅光滑因子参数需优化估值.采用优进遗传算法（EGA）,将确定性与随机性寻优操作相融合,实现了高效全局搜优,它所基于的优进策略包括设计Powell寻优算子、改进交叉算子、自适应地调整交叉率和变异率等.以推广能力作为优化目标,所建的GRNN有很强的非线性拟合能力和优良的预报性能,将其成功地为延迟焦化过程建模,与径向基网络（RBFN）等相比,显示了明显的优势.     

炼焦生产过程质量产量能耗的集成优化控制

针对炼焦生产过程强非线性、大时滞等特点,基于过程参数的主元分析和灰色关联分析,建立了焦炭质量、产量及焦炉能耗的神经网络预测模型和以焦炭质量为约束条件,产量、能耗为目标函数的优化控制模型。提出一种融合模糊C均值聚类粗优化和差分进化细优化的集成优化控制方法,进行过程参数的优化并给出操作优化指导。系统仿真结果表明,该方法能有效地抑制工况的波动,达到高产、优质、低耗的生产目标,为复杂工业过程的建模和优化控制提供了一种新思路。     

基于LSTM神经网络的流化床干燥器内生物质颗粒湿度预测

生物质作为一种储量丰富、环境友好且易于获取的可再生能源,日渐成为能源研究利用领域的热点。生物质湿度是影响生物质利用效率的关键因素,因此干燥是生物质利用之前的必要步骤。流化床由于其良好的传热传质特性,在干燥过程中得到了广泛的应用。为了实时监测生物质颗粒的干燥过程,利用弧形静电传感器阵列,结合用于时间序列建模的长短期记忆（LSTM）神经网络,实现了流化床干燥器内生物质颗粒湿度的预测。在实验室规模的流化床干燥器上进行了多工况实验获取训练和测试数据,通过模型参数优化确定了LSTM模型。通过与标准循环神经网络（RNN）模型的预测结果的对比表明,LSTM神经网络模型的平均相对误差较小,能够较为准确地预测流化床干燥器内生物质颗粒的湿度。     

基于改进支持向量机的高炉一氧化碳利用率预测方法

高炉冶炼是一个具有非线性、大时滞、大噪声、分布参数等特征的高度复杂生产过程。针对目前高炉现场以焦比为能耗评价指标却无法提供实时指导的问题, 研究以一氧化碳利用率为能耗评价指标, 提出一种基于改进支持向量机的高炉一氧化碳利用率预测方法。首先分析高炉炼铁过程机理, 结合互信息法得出影响一氧化碳利用率的相关操作因素。然后鉴于生产数据含噪高的特点, 采用小波去噪方法去除数据噪声干扰, 并且利用灰色相对关联度分析方法对操作参数进行时序配准, 消除时滞影响, 建立高炉一氧化碳利用率预测模型。在建模过程中, 将自适应粒子群与支持向量机回归方法相结合, 以克服模型参数选择的随机性, 提高了模型预测精度。现场实际数据的预测结果表明所提出方法的有效性, 能够实时精确地预测高炉一氧化碳利用率, 为后续高炉的优化操作和节能减排提供了及时有效的决策支持。