Prediction of Endpoint Phosphorus Content of Molten Steel in BOF Using Weighted K-Means and GMDH Neural Network

 The hybrid method composed of clustering and predicting stages is proposed to predict the endpoint phosphorus content of molten steel in BOF (Basic Oxygen Furnace). At the clustering stage, the weighted K-means is performed to generate some clusters with homogeneous data. The weights of factors influencing the target are calculated using EWM (Entropy Weight Method). At the predicting stage, one GMDH (Group Method of Data Handling) polynomial neural network is built for each cluster. And the predictive results from all the GMDH polynomial neural networks are integrated into a whole to be the result for the hybrid method. The hybrid method, GMDH polynomial neural network and BP neural network are employed for a comparison. The results show that the proposed hybrid method is effective in predicting the endpoint phosphorus content of molten steel in BOF. Furthermore, the hybrid method outperforms BP neural network and GMDH polynomial neural network.     

基于RBF-BP混合神经网络的烧结烟气NOx预测

摘要：对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。     

基于补偿模糊神经网络的自主导向车路径规划

针对常规模糊神经网络的不足,提出了补偿模糊神经网络算法的自主导向车路径规划方法。该网络对介于最坏和最好输入的情况制定一个相对折中的方案。最后给出了有障碍物的环境中路径规划的仿真结果,结果表明此方法是可行的,并能有效地提高算法的收敛速度。     

可变规则模糊控制器的研制

在发挥模糊控制与神经网络各自特点的基础上，将模糊推理与神经网络相结合，提出模糊－神经网络推理方法，并经计算机仿真验证，利用ＭＣＳ－５１系列单片机实现可变规则模糊控制器，经实验室管式电加热炉温控验证，理论方法正确，效果良好。     

Fuzzy Neural Model for Flatness Pattern Recognition

For the problems occurring in a least square method model, a fuzzy model, and a neural network model for flatness pattern recognition, a fuzzy neural network model for flatness pattern recognition with only three-input and three output signals was proposed with Legendre orthodoxy polynomial as basic pattern, based on fuzzy logic expert experiential knowledge and genetic-BP hybrid optimization algorithm. The model not only had definite physical meanings in its inner nodes, but also had strong self-adaptability, anti interference ability, high recognition precision, and high velocity, thereby meeting the demand of high-precision flatness control for cold strip mill and providing a convenient, practical, and novel method for flatness pattern recognition.     

Combination of Neuro-Fuzzy Network Models with Biological Knowledge for Reconstructing Gene Regulatory Networks

Inferring gene regulatory networks from large-scale expression data is an important topic in both cellular systems and computational biology. The inference of regulators might be the core factor for understanding actual regulatory conditions in gene regulatory networks, especially when strong regulators do work significantly, in this paper, we propose a novel approach based on combining neuro-fuzzy network models with biological knowledge to infer strong regulators and interrelated fuzzy rules. The hybrid neuro-fuzzy architecture can not only infer the fuzzy rules, which are suitable for describing the regulatory conditions in regulatory networks, but also explain the meaning of nodes and weight value in the neural network. It can get useful rules automatically without factitious judgments. At the same time, it does not add recursive layers to the model, and the model can also strengthen the relationships among genes and reduce calculation. We use the proposed approach to reconstruct a partial gene regulatory network of yeast. The results show that this approach can work effectively.     

小波模糊神经网络在高炉铁水硅质量分数预测中的应用

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预测高炉铁水中硅的质量分数.仿真结果表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。     

基于模糊神经网络的地图匹配算法

提出了基于模糊神经网络的新的地图匹配算法.该算法综合了数字道路信息和GPS/DR定位信息,提取两个重要参数作为输入变量,即定位点到候选路段的投影距离及定位航向与候选路段方位角差.设计出了四层模糊神经网络及改进的收敛学习规则.实验结果表明所提出的算法能很好地匹配车辆行驶路段位置.      

智能集成优化控制技术及其在工业中的应用

研究和讨论了复杂工业过程的优化控制技术 ,提出了智能集成优化控制的理论框架。以冶金工业生产中三个典型的复杂生产过程为应用背景 ,分别将模糊神经网络集成建模、基于改进模拟退火算法的混合罚函数目标优化技术、基于混沌神经网络的优化技术及基于模型的专家优化控制技术应用于工业生产过程控制 ,为企业带来了巨大的经济效益和社会效益。     

模式识别在电解铝生产过程故障诊断中的应用

为了提高电解铝生产过程的安全性和可靠性,将模糊理论和神经网络的模式识别方法应用到电解铝生产过程故障诊断中,使用模糊隶属度函数计算并归一化系统状态数据,获得数据隶属异常态的值,再将计算后的值输人至神经网络进行故障诊断,实现电解铝生产的故障诊断与报警,以提高生产过程的智能化水平。最后通过仿真实验,验证了上述诊断方法的有效性和准确性。     

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。     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到95.6%和97.8%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到956%和978%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

基于神经网络模糊推理的智能厚度控制

针对板带材轧制过程是一个复的非线性过程、难以建立精确数学模型的特点,提出了厚度自动控制神经网络模糊智能方法,设计了输入为“编码”的神经网络模糊控制器。通过仿真证明了神经网络模糊控制的可行性,其控制精度优于常规方法。     

基于模糊滑模方法的不确定机器人神经网络控制

针对不确定机器人轨迹跟踪控制,提出了基于模糊滑模方法下的神经网络自适应控制,其中RBF神经网络集中补偿系统的不确定性,利用带边界层滑模变结构方法消除了神经网络的逼近误差,并通过模糊方法动态确定边界层宽度,很好的解决了滑模控制中的抖振现象。仿真实例表明,该控制律能保证误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性。     

模糊神经网络融合建模方法及其在轧制力控制中的应用

针对目前热轧中神经网络控制模型不能满足一些特殊轧制规律钢种精度要求的问题,在深入研究现有热轧模型建立与优化的基础上,结合模糊控制技术,提出在神经网络的基础上建立基于模糊规则补偿模型的融合建模方法.针对两类特殊钢种的特性,详细阐述了基于模糊规则补偿模型的建立及实际应用过程,并根据实际生产经验给出建模中规则库的建立过程.实...     

基于模糊聚类的模糊神经网络的系统辨识

本文采用基于模糊聚类的模糊神经网络模型对系统进行辨识,首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经网络来调整模型的前件参数和后件参数。用此设计方法对函数逼近问题进行仿真,结果表明利用聚类技术可以获得较好的初始值,学习速度快、建模精度高。     

基于模糊神经解耦控制的板型板厚控制系统仿真

面对板型板厚控制这一复杂、多变量耦合的非线性系统,本文提出了一种两级串联结构的模糊神经网络解耦控制策略,前级为自调整模糊控制器,后级为基于动态耦合特性的自适应神经网络解耦控制器,并从理论上证明了学习算法的收敛性。实现了无模型板型板厚综合控制。仿真结果表明,该控制系统收敛性好、抗干扰性强,取得令人满意的板型板厚控制精度。