基于改进万有引力算法的KELM瓦斯涌出量预测

针对瓦斯涌出量受其他因素的影响,并且存在着复杂的非线性关系,将核极端学习机与改进的万有引力算法相结合建立基于改进万有引力算法-KELM的瓦斯涌出量预测模型(IGSA-KELM瓦斯涌出量预测模型)。首先将输入样本作为KELM网络的输入量,然后采用改进的万有引力搜索算法对KELM网络的核参数和输出权值寻优,优化KELM网络的性能。测试结果表明,基于该方法预测的绝对瓦斯涌出量误差在0.1 m^3/min以内,提高了预测精度和预测效率。     

基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别

针对传统优化算法(SNPOM)在辨识RBF-ARX模型参数时易陷入局部最优解的问题, 将云遗传算法(CGA)和SNPOM算法结合, 提出一种混合优化算法CGA-SNPOM。并以某公司900HC可逆冷轧机板形识别为应用背景, 设计了基于CGA-SNPOM优化RBF-ARX的板形缺陷识别模型。分别用SNPOM算法和CGA-SNPOM算法对RBF-ARX模型参数进行优化,仿真验证表明, 基于CGA-SNPOM优化的板形识别系统克服了SNPOM容易陷入局部极值的缺点, 识别精度大幅提高, 是一种有效的板形识别方案。     

基于优化终端滑模模糊神经网络的板形模式识别

针对板形模式识别问题, 将板形信号离散化、归一化, 作为终端滑模模糊神经网络的学习样本, 建立识别模型。在模糊神经网络的基础上, 利用终端滑模权值调整律代替梯度下降法的权值调整律, 提高网络的精度。为了进一步提高识别的精度以及收敛速度, 引入布谷鸟算法优化模糊神经网络的模型参数。仿真结果表明, 提出的识别模型对训练样本和未训练样本的平均最小方差分别为0.000 5和0.011 0, 比模糊神经网络(FNN)和径向基神经网络(RBF)的值都小。对某冷轧厂宽度1 040 mm带材的一组实测板形数据识别结果表明, 相比于FNN和RBF网络, CS-TSMFNN的识别效果更好。     

基于改进海鸥算法结合Elman网络的板形模式识别方法

为了提高板形模式识别精度,提出了一种基于改进海鸥算法结合Elman网络的板形模式识别方法。将改进的海鸥算法对Elman网络权值阈值进行优化,用于板形模式识别,选取20组数据进行测试,并将结果与基于BP神经网络的板形模式识别和基于传统Elman网络的板形模式识别方法进行比较,结果表明本文算法精度更高、效果更好,均方误差MSE相比其他算法低2个数量级。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

GA-CRBF网络板形识别的DSP实现

针对传统RBF网络板形模式识别方法存在抗干扰能力差、识别精度有限以及缺乏处理不确定性信息的能力等问题, 将云模型引入RBF神经网络, 提出一种新型板形识别模型。MATALB仿真结果表明: 新型GA-CRBF网络正确识别出板形缺陷, 识别精度比传统的RBF网络提升73%, 抗干扰性也提升了83%。将GA-CRBF网络写入DSP芯片中运行后, 正确识别出缺陷板形, 验证了其工程应用的可行性, 为神经网络推广应用到实际工程中提供了依据。     

基于PCA?RBF的板形识别及FPGA软实现

针对常规神经网络板形识别方法中存在的不足,提出了以PCA替代欧氏距离作为提取特征的手段,并将所设计的PCA-RBF板形识别模型以FPGA为硬件实现载体进行了仿真研究。仿真结果表明,设计的PCA-RBF板形识别模型能够正确识别出板形缺陷,网络结构比常规RBF板形识别模型相对简化,同时识别精度提升了59%,抗干扰能力提升了82%。FPGA仿真结果在精度和实时性上可以满足实际工程需要。     

基于多RBF神经网络的板形数据建模

常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响, 为此设计了多RBF神经网络板形识别模型, 用多个子网络分别识别不同的特征参数, 能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明: 所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型, 并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。     

煤矿瓦斯爆炸事故致因选取与风险等级预测

为对煤矿瓦斯爆炸事故风险等级进行精准预测，以符合实际情景的特征向量为前提，基于改进粒子群算法优化概率神经网络(RWPSO-PNN)实现瓦斯爆炸风险等级预测模型。首先利用中文分词提取煤矿瓦斯爆炸事故致因，以灰色关联分析(GRA)选取模型的输入特征向量；并针对概率神经网络(PNN)中平滑因子易引起网络识别率低的问题，提出了RWPSO-PNN，实现平滑因子的自适应调整；最后对RWPSO-PNN进行了实例分析，并与极限学习机算法、BP神经网络和支持向量机算法进行对比。结果表明：RWPSO-PNN预测准确率为90%，平均绝对误差为0.133，明显优于对比算法。     

基于GA-BP神经网络的弯辊力预设定模型研究与应用

针对弯辊力预设定模型精度低、弯辊力调整到设定值时间长的问题,基于GA-BP神经网络模型,建立了冷连轧机弯辊力预设定优化模型。结果表明,利用GA-BP神经网络优化模型使弯辊力实际值达到预设定值的调整时间平均缩短了115 ms,提高了钢材成材率和板形质量。     

基于ITD能量特征与K-ELM的滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中故障特征难提取与极限学习机稳定性、泛化能力差,致使故障辨识精度差的问题,提出了一种基于ITD(Intrinsic Time-scale Decomposition)能量特征与KELM的滚动轴承故障诊断方法。首先将采集到的滚动轴承故障信号进行ITD分析得到一系列蕴含有信号瞬时频率的固有旋转分量;然后,提取分解后与原信号相关程度较大固有旋转分量的能量特征;最后,建立核极限学习机的滚动轴承故障分类模型,并将所得能量特征向量矩阵作为K-ELM模型的输入进行故障模式辨识。试验结果表明:与基于ITD-SVM,ITD-ELM,EMD-K-ELM的故障诊断方法相比,ITD-K-ELM方法具有更高的分类精度,能更好地应用于滚动轴承的故障诊断。     

生物冶金氧化预处理过程温度预测研究

针对工业现场,尤其是高寒、高海拔地区受气候条件影响,温度变化剧烈,无法准确测量,难以建立精确的温度模型,进而影响生物冶金浸出率的问题,提出一种基于改进鲸鱼算法(EWOA)和核极端学习机(KELM)综合建模的方法。首先从工业现场采集100组实验数据,然后将前66组数据作为训练样本,后34组数据作为测试样本,最后分别采用KELM、WOA-KELM、EWOA-KELM方法建立氧化槽温度预测模型。研究结果表明,EWOA-KELM预测模型的平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分比误差(MAPE)均比其它几种预测模型的低。该模型具有更高的预测精度和更强的泛化能力,为测量氧化槽的温度变化情况提供了一种新的方法。     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的BP算法，建立了根据边坡开挖后岩体位移观测数据识别岩休弹性力学参数的数值方法。在网络训练过程中采用改进的BP算法，通过对学习算法的优化探索。大大提高了网络的收敛速度，解决了BP算法迭代过程中目标函数振荡问题。通过算例表明，提出的改进的BPT算法有助于提高岩土材料参数识别收敛速度和识别精度。     

基于WOA-ELM算法的矿井突水水源快速判别模型

我国是世界上煤炭生产量和消耗量最大的国家,但由于水文地质条件复杂,在煤矿生产过程中煤层顶底板突水事故频发,常常造成严重的经济损失和人员伤亡,快速精准地判别水害来源是矿井突水水害防治的关键步骤。基于河北开滦赵各庄矿的67个水样实测数据,将Na⁺,Ca²⁺,Mg²⁺,Cl^-,SO₄^2-,HCO3^-六种离子的物质的量浓度作为输入项,突水水源类型为其输出项,应用鲸鱼优化算法(WOA)改进极限学习机(ELM)形成WOA-ELM判别模型实现突水水源判别。研究结果表明:以往的单一极限学习机具有稳定性差的缺点,采用鲸鱼算法对其权值和阈值进行迭代寻优,通过环形包围、气幕袭击、随机搜索3种方式的鲸鱼优化算法对最优参数进行搜索,收敛速度快、全局搜索能力强。根据座头鲸捕食行为建立的数学模型,由于猎物(突水)位置不确定,WOA算法首先假设当前的最佳候选解是目标猎物位置或最靠近猎物的位置,然后通过随机产生向量A和概率p来决定鲸鱼更新位置的方式。当|A|>1时随机搜索猎物;当|A|<1时,以0.5为分界点,p<0.5选择环形包围模式,p>0.5则通过螺旋运动来更新位置。依据最低适应度值得到最优个体的位置,最终将输出的42个最优权值和阈值赋给ELM模型,对待测样本进行判别。通过对比,WOA-ELM判别模型在矿井突水水源识别中的准确率高达95%以上,与单一ELM模型相比,准确率提升了15%左右。与支持向量机模型(SVW)、粒子群优化的极限学习机(PSO-ELM)模型以及灰狼优化算法改进的极限学习机(GWO-ELM)模型等相比,该模型具有更快的收敛速度与更高的精度,稳定性和泛化能力也均得到提升。     

铝带坯铸轧板形测控的补偿模型

根据铸轧板形缺陷的表征特点及其评价指标，采用铸轧板带的横向板厚分布作为板形控制信号，并依此建立了铸轧板形的数学描述，基于铸轧工艺的特点，在铸轧权形实测信号中通常包含铸轧带材横向温差及板凸度所致的两种附加干扰，通过具体分析两种附加干扰对铸轧板形测控的影响，分别建立了附加温差板形被偿模型和附加板凸度板形补偿模型，针对某铸轧机实轧工况，运用所建补偿模型求得了横向板厚的补偿值，并直接对板形检测信号进行修正，以期提高权形控制精度，避免板控执行机构的误操作，实测结果表明所建补偿模型正确，且处理方法简单，可直接用于铸轧板形的控制，图1，表1，参10。     

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中.首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习...     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

基于改进极限学习机的煤与瓦斯突出预测研究

为提高煤与瓦斯突出预测的准确率和效率,提出了一种基于数据预处理的多策略改进烟花算法(IFWA)优化极限学习机(ELM)的煤与瓦斯突出预测模型。首先,针对于非线性多维特征数据,使用灰色关联度分析(GRA)进行特征选取,利用主成分分析(PCA)进行特征约简,将数据预处理后的数据指标作为模型的输入;其次,引入引力搜索算子和混合变异策略改进烟花算法(FWA)易陷入局部最优的问题;最后,利用IFWA对ELM的输入层到隐含层的权重和偏差进行优化,构建最优的煤与瓦斯突出风险预测模型。结果表明,IFWA-ELM模型的RMSE和R²可达0.074, 0.968,与ELM、GA-ELM、PSO-ELM和FWA-ELM模型相比均有所提升,IFWA-ELM模型对煤与瓦斯突出危险等级预测的准确率可达100%,具有更好的收敛速度和预测精度。研究成果可为煤矿瓦斯突出多数据融合预测提供可靠的理论依据。     

基于改进PSO-ELM的尾矿坝稳定性分析

为了更准确地对尾矿坝稳定性进行预测,采用训练速度快、参数设置简单、准确度较高的极限学习机（ELM）模型,针对ELM模型在训练过程中随机产生的连接权值和隐含层阈值,导致泛化能力不足、模型稳定性差的问题,引入基于线性递减权重法改进的粒子群算法（IPSO）对其进行优化,提出了尾矿坝稳定性预测的改进粒子群优化极限学习机（IPSO-ELM）模型。将该模型运用到尾矿坝实例预测中,在选取的35个样本数据中,将前30组作为训练样本,后5组作为测试样本,以内摩擦角、边坡角、尾矿坝材料重度、孔隙压力比、内聚力和边坡高度6个尾矿坝稳定性影响因素为输入参数,以尾矿坝稳定性安全系数为输出参数,将预测结果与ELM模型和PSO-ELM模型对比,结果表明,IPSO-ELM模型有较高的预测精度,预测值逼近于实际值,验证了IPSO-ELM模型在尾矿坝稳定性评价中的可靠性和有效性。