BP神经网络在铜锍吹炼终点预报中的应用

采用BP神经网络 ,建立炼铜转炉吹炼造铜期终点与各影响因素之间的数学模型 ,对吹炼终点进行预报。经实践检验 ,模型具有较强的自学习及泛化能力 ,预报结果具有较高的精度 ,能有效地指导生产实践。     

基于BP神经网络的边坡稳定性分析

阐述了BP神经网络的基本思想、学习算法的步骤,以构建的学习样本为基础,建立边坡稳定性分析的BP神经网络模型,对学习样本进行归一化和训练,建立输入向量与输出向量的非线性关系,把训练好的网络运用于某露天矿边坡,结果表明：BP神经网训练结果与现场实际情况相符,说明该方法对工程实际有指导意义.     

基于BP神经网络的非晶相外标定量分析

 说明了非晶相不能用Rietveld方法来定量的原因。BP神经网络可以实现非线性的映射关系,非晶相的含量与其本底的高度存在一一对应关系,将两者联系了起来。用本底和衍射峰面积的数据,通过神经网络计算来求得非晶相的含量,所得结果优于多项式及S函数计算所得结果。同时指出了BP神经网络计算方法的适用范围。     

基于BP神经网络的冷轧带钢力学性能预测

利用BP神经网络方法预测SPCC冷轧带钢产品力学性能并以现场正交试验数据为基础,对比预报结果和试验结果可以知道,该模型具有较高的精度,适用于现场生产。     

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神经网络的烧结终点预测模型

烧结终点是判断烧结过程正常与否的重要标志。我们在为涟钢280m^2烧结机开发的烧结终点（BTP）智能优化控制系统中,采用了基于BP神经网络预测的烧结终点智能控制策略。本文着重介绍了基于BP神经网络的烧结终点预测模型的建立、在线学习及修正,以及试验室调试和在线运行情况。     

系统聚类一反向传播（BP）神经网络用于铅相态分析

针对传统化学物相分析对浸取剂高选择性要求及严重串相问题等缺点，以稳定的浸取常数为基础，建立了用于铅相态分析的数学模型，将聚类法与反向传播（BP）神经网络相结合，用于模拟地质样品中铅的相态分析。对隐层节点数、学习步长、学习样本、过拟合现象等进行了探讨，为分析结果的准确性提供了保证。对5个模拟样品进行了分析，相对误差小于土4％，相对标准偏差为0．99％～1．55％，结果优于传统化学物相分析结果。     

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PID控制及其仿真

对BP神经网络算法进行了改进,克服了直接使用神经网络算法进行PID控制的不足之处.仿真表明,设计了附加动量项的BP神经网络,能有效地提高算法的收敛速度.实验结果表明控制效果优于传统的PID控制算法的仿真结果.     

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BP神经网络预测硬质合金硬度

通过BP神经网络，对WC-Co硬质合金硬度进行模拟和预测。结果表明，该方法能够比较精确地预测WC-Co硬质合金硬度与其成分变化的关系。     

基于BP神经网络的干熄焦CO自适应控制系统

由于干熄焦生产过程复杂多变,因此很难获得系统更具说服力的数据和运算形式,所以在传统的基础上现行的种种PID控制所达到的程度并不令人满意。为了克服上述缺陷,提出了基于BP神经网络的干熄焦CO自适应控制新方法。该方法通过BP神经网络对PID控制参数Kp、Ki和Kd进行在线优化控制,使得CO浓度控制在有效合理的区间范围内,从而达到了最佳性能指标,取得了良好的控制效果。     

基于BP神经网络的黄金价格非线性组合预测模型

对黄金价格进行预测时,单一模型往往难以全面反映黄金价格的变化规律.为了更有效地利用各模型的优点,将不同的预测模型进行组合可以产生更好的预测效果.利用BP神经网络对单一模型进行非线性组合,建立了黄金价格的非线性组合预测模型.实证研究结果表明,非线性组合模型的预测精度高于被组合的单一模型和不具有协整关系的线性组合模型.     

基于BP神经网络的矿山投资项目风险评判

随着矿山投资热度的提高，人们越来越重视矿山投资项目的风险评判。但矿山投资项目的风险评判相当复杂，传统的回归分析方法并不能取得令人满意的效果。而神经网络方法由于有超强的学习、容错性能，对解决非线性问题的效果较好。因此文章认为用BP神经网络系统对矿山投资项目的风险评判结果是比较理想的。     

基于BP神经网络的平整机伸长率控制技术

基于平整机伸长率控制基本原理,针对目前伸长率控制模式下轧制力等预设定值不准确问题,提出采用BP神经网络控制技术,对平整机的轧制力设定、轧制力速度补偿以及平整机入出口张力设定进行优化。实际应用表明,基于BP神经网络的伸长率控制系统大大提高了伸长率控制的响应速度,有效减小了平整机过焊缝伸长率不符合带钢长度,从而提高了产品的成材率。     

基于主成分分析的BP神经网络模型在铁矿产地溯源中的应用

铁矿在国家工业生产中占有重要地位,不同产地的铁矿在品质、有害元素含量上存在差异,为了提高海关对进口铁矿是否存在瞒报产地、以次充好等潜在风险的识别预警能力,尝试借助人工智能的方法来解决。以澳大利亚、巴基斯坦、巴西、南非、乌克兰和印度6个国家进口的共1 072批铁矿样品为研究样本,依据国家标准、行业标准对Hg、F、Cl、S、全铁(TFe)、SiO₂、Al₂O₃、P、H₂O、烧失量(L.O.I)、K₂O、TiO₂、MgO、CaO和Mn等15个指标进行检测。通过主成分分析提取了5个有效的主成分,累计方差贡献率为77.481%。以主成分分析提取的5个主要因子作为神经网络的输入指标,6个不同原产地作为输出指标,随机选取1 072组检测数据中的80%作为训练集,用以建立分析模型;剩下的20%作为验证集,用以验证模型的预测准确度,验证集识别准确率为100%,能够实现对6个国家铁矿原产地的准确识别。该模型的建立将直接应用于进口铁矿的产地鉴别,支撑进口铁矿的风险监管,维护贸易秩序,保障贸易便利。     

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神经网络岩体质量评价方法的相关性探讨

在国内外岩体质量评价分级研究进展的基础上,分析了目前主要评价方法,尤其是RQD（岩石质量指标）值分类法所存在的不足之处。总结了岩体结构、岩体质量及其与岩体质量分级的关系,讨论了主要岩体质量评价分级方法的基础及相关性。     

基于PCA与BP神经网络的充填管道失效风险评估

为避免传统评价方法中主观因素造成的影响并弥补神经网络在风险预测中的不足,将统计学中的主成分分析法（PCA）与BP神经网络模型进行有机结合,并根据大量有关矿山充填管道系统资料,建立充填管道失效风险评价模型。研究发现,将原始数据经过主成分分析法处理,不仅可以有效地减少模型输入维数,便于消除各指标间的相关性,而且与未经PCA处理的BP神经网络相比,训练收敛速度明显加快,预测结果更加准确。针对某矿山充填管道系统实际情况,利用该模型进行模拟预测的结果与实际情况相符合,证明模型合理。