基于BP网络的钢坯表面温度预测模型的设计

在轧制生产过程中,钢坯表面温度的检测一直是影响钢坯轧制质量的重要因素,也是如何更好地实现加热炉自动控制的重中之重,但是由于目前检测技术上的限制,常规的检测方式很难实现对温度的预测.利用BP神经网络,建立了钢坯表面温度的预测模型,并用Matlab仿真工具进行仿真预测.结果表明:理论预测值与现场实测值吻合较好.     

基于BP神经网络的机器人波动摩擦力矩修正方法

针对机器人谐波减速器关节在转动过程中存在的波动摩擦力矩,提出一种基于傅里叶级数函数和BP神经网络的建模方法,并完善机器人的动力学模型,修正了因波动摩擦力矩带来的关节力矩计算误差.通过研究谐波减速器关节的波动摩擦力矩在不同影响因素下的变化特性,采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模.通过添加傅里叶级数函数作为BP神经网络的辅助输入,克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难.在离线环境下训练神经网络,完成对关节波动摩擦力矩的建模,进而完善机器人的动力学模型和修正关节中存在的波动摩擦力矩.验证实验表明,使用完善后的动力学模型可以有效计算谐波减速器关节的波动摩擦力矩,并使修正后的力矩误差维持在[-0. 5,0. 5]N·m的范围之内,方差为0. 1659 N~2·m~2,是修正前的24. 23%.     

基于BP神经网络的机器人波动摩擦力矩修正方法

针对机器人谐波减速器关节在转动过程中存在的波动摩擦力矩, 提出一种基于傅里叶级数函数和BP神经网络的建模方法, 并完善机器人的动力学模型, 修正了因波动摩擦力矩带来的关节力矩计算误差. 通过研究谐波减速器关节的波动摩擦力矩在不同影响因素下的变化特性, 采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模. 通过添加傅里叶级数函数作为BP神经网络的辅助输入, 克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难. 在离线环境下训练神经网络, 完成对关节波动摩擦力矩的建模, 进而完善机器人的动力学模型和修正关节中存在的波动摩擦力矩. 验证实验表明, 使用完善后的动力学模型可以有效计算谐波减速器关节的波动摩擦力矩, 并使修正后的力矩误差维持在[-0.5, 0.5] N·m的范围之内, 方差为0.1659 N2·m2, 是修正前的24.23%.      

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

热轧板坯头部翘曲机器视觉检测与BP神经网络预测控制

为解决热轧粗轧阶段板坯头部翘曲自动控制问题,以某2 250 mm热轧线粗轧机组为对象,介绍机器视觉检测原理及其在热轧生产线检测位置及检测结果的表征方式。通过分析影响板坯头部翘曲的因素,建立了9-10-6-1的4层BP神经网络预测模型,以现场检测数据为样本对网络进行了训练和预测验证。结果表明,神经网络模型预测精度符合现场的控制要求,这为热轧过程头尾翘曲自动控制和生产的无人值守奠定了基础。     

基于BP神经网络的钢水温度预定模型

针对目前钢水温度预定方法存在不足,在分析钢水温度预定原理的基础上,在邯钢邯宝炼钢厂建立了基于BP神经网络的精炼终点目标温度和转炉终点目标温度的动态预定模型。利用邯宝炼钢厂的历史生产数据对模型进行了训练和测试,并进行了现场应用试验。结果表明,预定模型对转炉和精炼终点目标温度进行了优化,应用预定模型后,LF开始温度命中率提高到75%,中间包温度命中率提高到96.7%。     

基于ICA和BP神经网络的人耳图像识别

提出了一种独立分量分析和BP神经网络相结合的人耳识别新方法(ICABP法).首先采用快速独立分量分析方法提取人耳图像的独立基图像和投影向量,然后采用改进的三层BP神经网络进行分类识别.该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性.实验表明,ICABP法取得了很高的识别率.     

基于BP神经网络考查课评分系统

考查课在大学课程中占有很大的比例,而其成绩的评定易受教师主观因素影响,不够准确。利用具有自学习、自识别能力的BP神经网络建立考查课考评体系,不断调整网络的权值使SSE（平方误差和）总朝着减小的方向发展,直到达到目标误差为止。     

基于BP神经网络的黄金价格非线性预测

针对黄金价格的非线性特征和神经网络的自身特点,利用BP神经网络建立了黄金价格的非线性预测模型。实证研究结果表明,BP神经网络模型具有较好的预测精度,可以为黄金投资和宏观经济决策提供一定的参考依据。     

基于BP神经网络的VD过程温降预报模型

建立了基于BP神经网络的VD过程温降预报模型,利用五数总括值法和聚类分析法进行了BP神经网络输入数据的预处理,采用MINITAB软件确定了影响VD过程温降的主要因素为抽真空时间、保压时间、吹氩时间、非真空时间和钢水进VD过热度。利用245罐数据作为训练数据、50罐作为验证数据对模型进行了验证,结果表明:模型计算偏差在±5℃范围内的比例达到88%。     

基于BP神经网络的烧结矿性能预报模型

 为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。