基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

为提取有效的砂岩破裂声发射信号特征, 提高砂岩破裂过程预测精度, 提出一种基于改进变分模式分解算法(VMD)和GA-BP神经网络的预测方法。首先, 开展单轴压缩实验进行砂岩破裂试验, 并采集破裂过程的声发射信号; 其次, 为取得有效声发射信号, 从中提取出有效特征参数进行预测, 引入相关系数改进VMD算法并对原始声发射信号进行预处理, 提取信号能量特征参数作为模型的输入以便区分破裂过程; 最后构建GA-BP预测模型, 通过遗传算法(GA)优化BP神经网络的权值和阈值, 将信号能量作为样本用于预测模型的训练。结果表明, 通过引入相关系数可有效解决VMD算法中K值难以选取的问题, 对采集到的声发射信号进行有效去噪; 此外, 经GA算法改进后的BP神经网络预测模型能够准确预测破裂状态, 相较于改进前传统的BP神经网络模型稳定性更高, 收敛能力更好, 预测准确率提高17.5%。      

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.     

遗传神经网络在平整轧制力预报中的应用

研究了平整轧制力设定的人工智能实现方法,采用改进的混合GA－BP遗传神经网络算法建立了平整轧制力预报模型。传统数学模型与遗传神经网络方法获得的统计数据表明,该遗传神经网络方法所得预报值优于传统方法。     

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。     

基于神经网络的提拉法钛单晶生长过程建模

用神经网络建立提拉法钛单晶生长过程的经验模型，并通过试验验证模型的有效性。改进钛单晶生长试验设备，采集建立经验模型所需的无噪实验数据。建立前馈神经网络预测器，建模提拉法钛晶体生长过程非线性动态特性，用自适应BP算法训练神经网络，以加快网络的学习和收敛。     

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿FeO含量难以直接预测的问题，提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率，结合烧结工艺，选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构，Adam算法优化四层BP神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时，命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比，该模型的误差更小，同时预测精度也得到显著提升。     

基于神经网络的水厂原水水质的综合评价

基于BP神经网络的改进算法,提出了以Matlab 7.0为平台的算法程序的人工神经网络水质评价模型。参照《地表水环境质量标准》(GB3838-2002),确定神经网络学习和训练的样本并确定了模型的相应参数。以连云港市海州水厂原水取水口水质数据为样本,进行水质综合评价分析。与单因子评价法和模糊综合评价法进行了比较,结果表明神经网络模型所获得的结果更加客观、合理。     

应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量

应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。     

利用人工神经网络预测钢板性能

基于神经网络原理，采用BP算法训练网络，建立热轧控制参数(轧制温度，化学成分，变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明，将神经网络模型应用于热轧控制预报，具有一定的现实意义。     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.      

基于GA-BP神经网络的露天矿边坡变形预测分析

矿区边坡在各种因素的影响下,将会发生变形,但变形超过一定限度时,会对矿区产生很大的危害,开展边坡变形预测分析,能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定,造成模型系统进入局部最小化,导致预测精度不高等问题的基础上,提出GA-BP神经网络预测模型,解决了普通网络模型在权值和阈值上的不足,并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象,分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测,研究结果表明:GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合,预测精度更高,其平均相对误差最小,较其他两种方法预测精度提高了10倍以上,表明该方法具有一定的可靠性和可行性。      

用改进的遗传神经网络预报冷连轧轧机的轧制压力

为了充分利用ＢＰ神经网络的函数逼近能力并克服其易陷入局部极值点的主要缺陷,提出了利用遗传算法（ＧＡ）和ＢＰ算法联合进行网络权值优化调整的思想,系统具有遗传算法（ＭＧＡ）和ＢＰ网络有机结合建立了ＭＧＡ－ＢＰ网络系统。该网络系统具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及ＧＡ－ＢＰ自满联合进行网络权值修改几种功能,利用ＭＧＡ－ＢＰ网络进行了带钢冷连轧机轧制压力预报,结果良好。     

GA-BP的铁钢界面铁水温度预测

铁钢界面铁水温度对炼钢生产的控制与优化具有重要意义.因此,为了更加准确地获取铁钢界面铁水温度,本文采用较大样本构建了基于遗传算法(GA)优化的BP神经网络铁水温度预测模型.对影响铁钢界面铁水温度的因素分析,选取了出铁时间、预处理时间、重罐时间、空罐时间、出铁铁水温度、预处理后铁水温度、铁水质量7个关键因素作为模型的输入...     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。     

GA-BP神经网络模型在稀土矿边坡位移监测中的应用

离子型稀土原地浸矿工艺改变土体力学特性,导致山体滑坡风险提高.针对现有研究在预测稀土矿边坡位移时存在精度不高和误差较大等问题,利用遗传算法对BP神经网络初始权值和阈值进行优化,构建一种新的稀土矿边坡位移预测模型.以江西龙南某离子型稀土矿为研究对象,在矿山布置了位移计实时监测稀土矿开采全过程的位移变化.首先利用125组位...     

基于遗传算法的BP神经网络模型在预测海洋沉积物烧失量中的应用

烧失量(LOI)是进行海洋地质研究的一个重要指标,采用常规方式测定烧失量不仅操作耗时,而且对分析环境要求比较高。实验基于SiO₂、Al₂O₃、Fe₂O₃、CaO、K₂O和TiO₂等的含量与烧失量的相关性,尝试引入BP神经网络模型利用其非线性拟合能力预测烧失量的含量。实验表明,以大量的海洋沉积物样品中SiO₂、Al₂O₃、Fe₂O₃、CaO、K₂O和TiO₂的含量数据以及烧失量为训练样本,采用遗传算法优化BP神经网络的初始权值和偏置,成功建立了海洋沉积物烧失量的遗传算法(GA)-BP神经网络预测模型。利用X射线荧光光谱(XRF)分析数据并结合GA-BP神经网络预测海洋沉积物烧失量,烧失量预测结果的相对标准偏差(RSD)为1.3%;海洋沉积物标准样品和实际样品中烧失量的预测值与参考值的相对偏差绝对值在0.1%~6.2%之间,为烧失量的测定提供了一种新的有效途径。     

一种结合模拟退火算法的BP网络冷连轧参数预报模型

 用神经网络模型代替传统的数学模型,达到提高轧制参数预报精度的目的。在分析了轧制原理的基础上设计了神经网络冷连轧参数预报模型,并针对前向网络反向传播算法（BP）收敛速度缓慢和易陷入局部极小点的缺点,将有全局寻优特性的模拟退火算法（SA）与之结合得到具有较快收敛速度和较高逼近精度的神经网络轧制参数预报模型,提高了网络的快速性和精确性。最后以轧制力预报为例,证明了该方法收敛速度快,稳定性好,可信度高,具有较好的应用前景。