小波模糊神经网络在高炉炉温预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

小波模糊神经网络在高炉炉温预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪。根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

小波RBF神经网络在高炉铁水硅含量预测中的应用

在运用RBF神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对RBF神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水硅含量。仿真结果表明小波RBF神经网络比RBF神经网络更具优越性,预测准确率明显提高。     

小波变换在弹丸超声阵列中的应用

弹丸超声阵列中检测到的超声波信号信噪比较低,易于被噪声信号湮没,需要对采集信号进行去噪.本文拟采用小波去噪方法对检测到的信号进行去噪,根据弹丸超声波信号的脉冲特性,选取小波基函数中的sym8小波.通过对几种去噪方法对比分析,结果表明,采用Birge-Massart算法选取阈值后,使用改进的Garrote阈值方法进行去噪处理,可以有效的降低噪声,提取弹丸超声波信号特征.     

小波遗传神经网络-阳极溶出伏安法同时测定钢中铜和铅

研究了二硫代二安替吡啉甲烷作修饰剂的修饰玻碳电极,并以此为工作电极,建立了测定铜和铅的阳极溶出伏安法。应用小波变换去噪、数据压缩和背景扣除功能对峰电流信号进行处理,用遗传算法自适应概率搜索神经网络的最优网络结构和参数,解决神经网络过拟合问题,将小波神经网络(WT-BP-ANN)、小波遗传神经网络(WT-GA-BP-ANN)的分析结果进行比较,Cu2+,Pb2+测定结果的RSD分别为3.49%,2.33%;3.77%,1.89%,表明小波遗传神经网络优于小波神经网络。     

几种信号去噪方法在爆破振动信号中的应用分析

介绍了小波阈值法、EMD以及EEMD的信号去噪原理,并采用3种方法分别对露天爆破开采下所获得的爆破地震波信号进行去噪处理.对比分析去噪后波形图、信噪比以及均方根误差,发现小波阈值去噪法对于不同信号源去噪时效果各不相同,其信噪比与均方根误差值波动幅度大,说明小波阈值法在爆破振动信号去噪中具有不稳定性.与小波阈值法相比,EMD与EEMD对信号去噪效果稳定,体现了它们在信号分析中的自适应性.与EMD去噪法相比,EEMD能消除EMD分解信号时所产生的模态混叠现象;EEMD去噪法能够获得更高的信噪比以及更小的均方根误差值,去噪效果要明显好于EMD法,缺点在于计算时间太长.      

一种基于互相关函数的小波系数相关阈值去噪方法

针对传统的小波系数相关去噪方法中,在对含噪信号进行小波变换后,各尺度上的小波系数会产生微小偏移的问题,提出了一种基于互相关函数的小波系数相关去噪方法.采用互相关算法,计算各个尺度与原始含噪信号产生的偏移量,再把偏移后的尺度进行相关分析,得出准确的突变信号;为了去除信号突变附近附带的少量噪声信号,再采用临界阈值去噪方法对相关分析后的尺度信号进行阈值处理,最后经过信号重构可以得到精确的有用信号.     

基于算法优化的便携式X射线荧光光谱仪土壤重金属定量检测模型的建立

将小波变换去噪和迭代多项式拟合去除本底结合,对便携式X射线荧光光谱仪(PXRF)谱图进行去除噪声和本底扣除处理,然后根据土壤重金属含量标准值和处理后测定的计数建立各重金属的标准曲线.相比较未做去噪和本底扣除,经过sym4小波去噪和9次迭代多项式拟合处理后的仪器标准曲线决定系数R2范围提升至0.965 2～0.998 5...     

基于小波包分数幂阈值的声发射去噪研究

针对岩石声发射信号在传播和采集的过程中受到多种噪声干扰而具有复杂、瞬态等非平稳特性的特点,基于小波包硬阈值去噪法、小波包软阈值去噪法和小波包分数幂阈值去噪法,对岩石声发射信号进行去噪处理。研究表明,对于岩石声发射信号,小波包分数幂阈值去噪方法克服了传统的软阈值去噪使信号幅值失真和硬阈值去噪使去噪后信号振荡加剧的缺点。与软阈值去噪和硬阈值去噪相比,信号的信噪比和均方根误差都较小。小波包分数幂阈值去噪在保证原始信号特征的情况下,可以有效地滤除信号中的噪声,信号失真小,是一种较好的岩石声发射信号去噪方法。     

基于小波去噪和循环神经网络-k重-整合移动平均自回归模型的转炉煤气柜位预测

在钢铁企业的生产过程中，实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要。本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregressive integrated moving average model, RNN-k-ARIMA)混合预测模型，并用该模型预测转炉煤气柜位。其主要研究思路为：首先，利用小波阈值去噪方法去除柜位数据中的干扰噪声；其次，运用RNN模型训练去噪后的柜位数据，计算RNN模型预测结果与实际值的残差；再次，使用k-ARIMA模型对残差进行修正；最后，将修正后的残差与RNN模型预测的初值求和得到最终的预测结果。通过测试两个数据集，得到均方根误差E_RMS(root mean square error, RMSE)分别为0.206 142和0.146 249,平均绝对百分比误差E_MAP(mean absolute percentage error, MAPE)分别为0.941 101和0.720 312,方向精度A_D     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

Artificial neural nets for prediction of silicon content of blast furnace hot metal

Conventional models for prediction of silicon content of blast furnace hot metal are briefly reviewed. Four different artificial neural net (ANN) models, namely, back propagation algorithm (BPA), dynamic learning rate algorithm, functional link network (FLN) and fuzzy neural network (FNN), are trained and tested on operational data from blast furnace (BF1) at Visakhapatnam Steel Plant. FNN can predict silicon mass content of hot metal with a standard error (actual versus predicted) of 0.09% and correlation coefficient of 0.86; standard back propagation predicts with a standard error of 0.08 % and correlation coefficient of 0.79.     

基于T-S模糊神经网络模型的高炉铁水温度预测建模

 针对高炉炉温与铁水硅含量呈正相关而非严格的线性关系和机制建模的主观性以及其难以建立各变量之间隐含的数学关系等的不足,在数据挖掘理论的基础上,对海量的样本数据进行预处理和特征提取,然后以高炉铁水温度为研究对象,建立了基于T-S模糊神经网络的高炉铁水温度预测模型。最后,应用某高炉数据进行模型验证,并将该模型与T-S模糊多元回归模型以及BP神经网络模型进行比较研究,仿真结果表明T-S模糊神经网络模型的有效性和优越性。     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。     

考虑时滞的铁水硅含量预报模型

根据神经网络的特点,建立了高炉硅预报神经网络模型和学习算法来预报高炉铁水硅含量。根据高炉冶炼的实际生产数据,选取风温、风量、透气性、料速、炉顶温度、焦炭负荷、喷煤量、上一炉铁水的硅含量作为输入,并对输入参数进行时效和时滞处理,采取附加动量项和自适应学习步长的措施缩短系统学习时间,提高了预报的准确率。应用表明,当允许绝对误差不大于0.1时,命中率为85.25%。     

高炉铁水硅含量的神经网络预报

通过神经网络对韶钢8号高炉的部分生产数据进行了铁水[Si]含量的预报,确定了w（Si）的主要影响因素,构建了较好的神经网络结构,并根据预报结果提出了判定炉热变化趋势的符合率的标准。     

Fuzzy Prediction of Silicon Content for BF Hot Metal

Therearemanyfactorsinfluencingthequality ofhotmetalinBFprocess.Themostimportant threefactorsarehotmetaltemperature,hotmetal siliconcontentandslagbasicity[1].Siliconcontentis animportantfactorreflectingthestateofthelower partofblastfurnaceforblastfurnaceop…