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。     

基于小波变换与PSO-BP神经网络的电能质量扰动分类

针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,本文提出了一种基于小波变换和PSO-BP神经网络的电能质量扰动分类方法.用PSCAD/EMTDC仿真几种典型的电能质量扰动,并利用小波变换进行多尺度分解,得到各尺度上信号的能量特征,输入PSO-BP神经网络,实现扰动的分类.仿真结果表明该方法较BP网络收敛迅速,容易达到训练要求,同时该方法具有分类速度快,精确度较高等优点.     

基于遥感技术的武当区域构造分析及找矿意义

根据武当地区的遥感影像,以地理信息系统为技术平台、区域构造为主要研究对象,采用遥感图像增强技术,解译了大中型断裂;采用基于径向基函数（RBF）神经网络的模式识别,结合二进制小波变换目视解译了褶皱;采用Haar小波变换方法解译了韧-脆性剪切构造;利用机助处理方法对印支期后多条断裂信息进行了解译,直观地表述了武当地区的构造面貌。通过对解译构造进行定量分析,阐明了武当地区的总体构造格局和发育状况,并结合野外地质调查对比,进一步验证了解译成果的准确性。这项工作为深入开展地质调查和构造控矿研究提供了基础资料,对成矿预测有一定的指导作用。     

基于人工神经网络的船舶同步发电机故障诊断系统的研究

本文分析了人工神经网络在发电机故障诊断中独特的特点，建立了BP神经网络模型和算法公式，提出了基于BP神经网络的电机故障诊断方法和原理框图，最后通过对某船舶电站同步发电机的故障诊断的实例仿真，验证了基于BP神经网络故障诊断的准确性，为船舶发电机的精密诊断提供了一种有效地方法。     

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。     

基于小波分解的尾矿坝浸润线预测方法研究

为了准确预测尾矿坝浸润线的位置变化,结合浸润线埋深非稳定、非线性的时间序列以及动态变化的特点,利用小波分解与重构,提出基于小波分解的时间序列指数平滑法和BP神经网络法,采用时间序列的指数平滑法和BP神经网络方法分别对多个细节信号序列和逼近信号序列进行拟合预测,并对其拟合结果进行叠加,实现对尾矿坝浸润线的预测。将预测结果与实际监测数据进行对比,结果表明小波分解预测方法的预测结果与传统单一的指数平滑法和神经网络法预测结果相比,在预测精确度和拟合度方面：小波分解>指数平滑>神经网络。     

RH-KTB炉外精炼过程的RBF网络故障诊断系统

提出一种利用RBF神经网络进行聚类分析,用于对RH炉外精炼进行故障诊断的方法.并进行神经网络的建立、训练、数据的实时采集、知识的获取、表达、推理、决策以及建立知识库,从而达到迅速,准确地判断和识别故障的目的.此外在网络学习中采用调整中心半径的RBF学习算法,是基于现实应用背景下对RBF学习算法改进的大胆尝试与实践.最后通过仿真证明其具有可行性和准确性.     

基于小波神经网络模型的冶金企业能耗预测

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题。鉴于传统BP神经网络预测方法的缺陷,介绍了基于小波神经网络算法的能耗预测模型及应用情况。该算法既具有BP网络的简洁性,又具有小波分析良好的时频局部性。通过实验将其与传统的BP神经网络进行比较,证明前者具有更优的网络结构,更快的学习速度和更高的逼近精度。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.      

基于改进径向基神经网络的中厚板厚度预测

针对中厚板轧制过程中厚度计模型预测轧机出口实时厚度精度不高的问题，提出一种麻雀搜索算法(sparrow search algorithm, SSA)优化径向基(radial basis function, RBF)神经网络的中厚板厚度预测模型。通过SSA对RBF神经网络的参数进行优化，提高模型的预测精度。根据现场实际采集的数据，结合产线的工艺布局，对数据进行时空坐标转换后代入模型进行训练。通过多种规格中厚板厚度数据仿真验证，SSA-RBF模型预测精度可以控制在0.075 mm以内，预测效果好于反向传播(back-propagation, BP)神经网络和广义回归神经网络(generalized regression neural network, GRNN),模型预测精度可以满足实际轧制的精度要求。     

小波分析在旋转机械故障诊断中的应用现状及展望

小波分析在旋转机械故障诊断领域已有广泛应用。介绍了小波分析的发展及研究现状,阐明了小波分析的基本理论及其特点,详细讨论了小波在旋转机械振动信号去噪中的应用,最后提出一些有待解决的问题及展望。     

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。     

基于神经网络的期铜价格趋势预测研究

运用X-12-ARIMA季节调整方法,对上海交易所三月期铜月平均价格进行季节性调整,消除了季节因素和不规则因素对铜价的影响.针对季节调整后序列,分另建立了BP、RBF、Elman等神经网络模型,并对期铜价格进行预洲.预测效果比较说明,与传统的神经网络相比,Elman神经网络模型具有收敛速度快、预测精度高的特点,能在期铜价格预测方面取得较好的效果.     

人工神经网络在转炉炼钢控制过程中的应用

转炉炼钢过程是一个非常复杂的物理化学变化过程,无法用数学方程线性描述。人工神经网络因具有很强的非线性处理能力且具有较强的容错性,从而广泛应用于冶金过程中。本文主要介绍了人工神经网络在转炉炼钢中的应用现状,通过对BP神经网络和RBF神经网络在转炉炼钢中的应用分析,指出人工神经网络技术的应用将进一步提高转炉炼钢过程的自动化水平。     

时域分析的多数据融合故障诊断方法

介绍了时域分析中的有纲量参数和无纲量参数,构建了多数据融合故障诊断系统。系统包含数据级、特征级和决策级融合诊断模块,并行BP神经网络作为特征级诊断模块,既克服了BP网络的缺点,又解决了D—S证据理论难以获得BPA的弊端。对液压泵进行应用试验,结果表明,该诊断系统充分利用了多数据的冗余信息,提高了诊断的可靠性和准确性。     

无损检测和模式识别技术在粉末注射成形中的应用

从粉末注射成形技术智能化的角度出发,将无损检测技术与模式识别技术相结合,提出了一种高效可行的缺陷检测诊断方法.本文通过工业CT检测注射成形坯中的两种常见的缺陷,在对缺陷图像进行图像处理后进行傅立叶变换,选取缺陷图像的傅立叶变换作为特征参数来进行BP神经网络的输入后,获得了较好的识别效果.将识别结果输入专家知识库后给出相应的产生原因和解决办法,为实现缺陷的智能控制提供了一种有效的解决办法.     

基于深度卷积神经网络的地磁导航方向适配性分析

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义.      

RBF网络优化设计及在轧机轧制力预报中的应用

将Hough变换用于RBF神经网络的参数确定中，以自适应地确定RBF网络的隐层节点数和径向基函数的中心值，使得网络结构及参数得到优化，提高了RBF神经网络的收敛速度和泛化能力。将此改进的RBF神经网络应用于冷轧过程轧制力的预测中，试验结果表明经过优化设计的网络模型具有高的输出精度，使得轧制力预报这种受多种因素影响的复杂系统的输出预报问题得到了很好的解决。     

RBF神经网络在磨矿故障诊断中的应用

对 RBF神经网络的结构和特性进行了简要的概述 ,指出 RBF网络可避免网络训练局部最优问题 ,是一种分类能力较强的神经网络。应用该方法设计出神经网络故障诊断系统 ,并对磨矿设备进行的模拟验证 ,结果表明网络的应用是成功的。     

RBF神经网络在选矿生产指标预测模型中的应用

对RBF神经网络的结构和特性作了简要的概述，应用RBF神经网络建立了选矿生产指标预测模型，并进行了仿真试验，结果表明，RBF神经网络的应用是成功的。