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。     

BP改进算法神经网络的保护渣性能预测模型

采用混料回归设计原理设计试验保护渣组成。以试验为基础,针对常用BP算法的不足采用动量因子与自适应学习速率相结合的BP改进算法建立神经网络保护渣性能预测模型。研究结果表明该模型预测精度高,适用组元多、成分变化范围大;对保护渣的性能预测取得了较好的效果,能为保护渣设计提供理论指导。     

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。     

BP神经网络IF钢铝耗的预测模型

为了解决某钢厂IF钢冶炼RH精炼过程铝耗偏高问题,通过数理统计和BP神经网络相结合的方法建立了铝耗预测模型,并与多元线性回归模型进行比较,该模型具有更高准确度.该模型分析了不同冶炼工艺参数对铝耗的具体影响,并对相应工艺参数进行了优化.结果表明:脱碳结束氧活度或RH进站氧活度降低0.005%左右,每吨钢铝耗可降低0.07~0.08 kg,铝脱氧有效利用系数为70.31%~80.35%;RH进站钢液温度增加35~40℃,铝耗降低1 kg左右,铝热反应升温利用系数在97.4%左右;吹氧量小于100 m³和大于100 m³时,氧气与铝反应的比例分别为37.3%和74.6%左右,吹氧量每增加50 m³,铝耗分别增加0.1 kg和0.2 kg左右.工艺参数优化后平均铝耗由1.359 kg降低到1.113 kg,降幅达18.1%.     

基于BP神经网络的熔盐电导率预测研究

NdF3-LiF-Nd2O3体系熔盐电导率是稀土熔盐电解的基础参数,由于高温环境使其在电解过程中的变化规律难以获得。研究针对试验结果所取得的样本进行训练,通过BP神经网络预测了NdF3-LiF-Nd2O3体系熔盐电导率,并分析了温度、LiF浓度和Nd2O3浓度对熔盐电导率的影响。研究结果表明,预测值处在1.825 6³.119 7 S/cm之间,与实验值误差在3%左右,同时,预测值与实际值的变化趋势基本一致。研究表明BP神经网络对熔盐电导率的预测能够满足熔盐体系电导率研究的要求。     

BP算法的模糊神经网络及烧结终点辅助预测模型

烧结终点状态是烧结过程非常重要的参数之一.目前烧结终点的预测模型多采用人工神经元网络.本文介绍了一种模糊神经元网络结构及算法,可以处理不完全的、模糊的信息,并将这种模糊神经元网络应用到烧结终点辅助预测模型.文章最后给出了详细的仿真结果.     

用神经网络方法确定冷轧厚度预测模型灵敏度系数

利用神经网络方法确定灵敏度系数,建立了冷轧厚度预测模型。该模型能很好地克服外界干扰或参数扰动,是一种能确定厚度控制参数的算法,通过一个单机架上的应用实例表明该方案具有好的应用前途。     

应用优化BP神经网络建立铁水硅含量的预测模型

 高炉铁水的硅含量是描述铁水质量的一个重要指标。为了在出铁之前了解铁水中硅含量的高低,建立预测模型是必要的。结合遗传算法(GA)和BP神经网络,建立了优化的GA BP预测分析模型,从某高炉选取生产数据进行学习和预测。运行结果表明,模型具有较高的预测精度,当要求绝对误差为±005时,命中率可达70%;绝对误差为±008时,命中率可达923%。同时,应用该模型分析回归了高炉风量、热风压力、富氧量与铁间料批数等参数与铁水硅含量之间的相关关系,其结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导。     

基于神经网络的高炉铁水硅含量预报模型的研究

根据RBF神经网络具有收敛速度快和全局优化的特点,建立了RBF网络模型,并将其应用对高炉铁水硅含量预报。监于铁水硅含量与炉缸温度之间的密切相关性,通过铁水硅含量来间接地反映炉内温度变化。采用MATLAB中的Newrbe函数进行函数逼近,对高炉一段连续时期内正常生产的数据的归一化处理后进行训练和仿真,提高了铁水硅含量预报的命中率。高炉冶炼运用先进的RBF人工神经网络预报模型,能预报铁水硅含量的高低,判断炉温走势,实现炉温调控,有利于节能降耗,并可监测多个主要控制对象,为高炉操作提供指导。     

基于深度神经网络的点击率预测模型

针对现有深度神经网络点击率预测模型在对用户偏好建模时,难以有效且高效地处理用户行为序列的问题,提出长短期兴趣网络（Long and short term interests network, LSTIN）模型,充分利用用户历史记录上下文信息和顺序信息,提升点击率预测精准性和训练效率。使用基于注意力机制的Transformer和激活单元结构完成用户长、短期兴趣建模,对用户短期兴趣进一步使用循环神经网络（Recurrent neural network, RNN）、卷积神经网络（Convolutional neural networks, CNN）进行处理,最后使用全连接神经网络进行预测。在亚马逊公开数据集上开展实验,将提出的模型与基于分解机的神经网络（DeepFM）、深度兴趣网络（Deep interest network, DIN）等点击率预测模型对比,结果表明提出的模型实现了考虑上下文信息和顺序信息的用户历史记录建模,接受者操作特征曲线下面积（Area under curve, AUC）指标为85.831%,相比于基础模型（BaseModel）提升1.154%,相比于DIN提升0.476%。且因区分用户长、短期兴趣,模型能够在提升预测精准性的同时保障训练效率。      

基于RBF网络的合金配料预测模型的研究

针对钢包精炼的作用及其最终目标要求,运用径向基（RBF）网络,对合金配料模型进行设计,并根据精炼实际数据对模型进行验证,然后与BP网络的预测结果进行比较,以显示径向基网络在精炼合金配料模型中的可行性.     

Simulating lipophilicity of organic molecules with a back-propagation neural network

OBJECTIVE: To study the effectiveness of rehabilitative and medically oriented day hospital care on community-based long-term care patients. DESIGN: A randomized, controlled trial. SETTING AND PARTICIPANTS: 177 patients on home-care in a rural area were randomized into two groups. Patients in one group were offered a 2-month period of rehabilitation and medical care in a recently opened day hospital, and in the other group patients were offered treatment, as before, in home care. Both groups were examined at the beginning and at 2, 5 and 12 months. INTERVENTION: Rehabilitative and medically oriented day hospital care. OUTCOME MEASURES: Use of health services, physical functioning measured by the Katz ADL Index, subjective health, symptoms, and satisfaction with care. RESULTS: The groups used hospitals (excluding the day hospital treatment) equally during the follow-up year. The treatment group had significantly more specialist consultations than did the control group. There were no clinically significant differences in the changes in the Katz ADL Index although more changes were found in the treatment group. The number of symptoms was reduced significantly in the treatment group, whereas the number of symptoms remained unchanged in the control group. The patients' views of their own health improved in the treatment group. CONCLUSION: Day hospital care affects the quality of life of older people, but it does not reduce the use of other health services, nor does it clinically significantly improve the physical functioning of older people.     

基于神经网络的脱硫剂加入量预报模型的研究及应用

针对攀枝花新钢钒股份有限公司提钒炼钢厂铁水脱硫预处理生产工艺过程,建立基于增加动量项和采用最大误差学习法的改进BP算法脱硫剂加入量预报模型。利用攀钢铁水脱硫现场生产数据对模型进行训练和莉试,并在炼钢厂进行模型的现场应用试验。结果表明,模型的脱硫命中率达到96．8％,同时模型应用后也降低了脱硫剂的消耗量。     

一种基于深度神经网络的烧结料层透气性预报模型

为了保证整个烧结生产过程的顺利进行,通过对承钢2号烧结厂数据库中的数据进行采集、整合和预处理,运用相关性分析筛选出与料层透气性相关的重要特征变量,基于深度神经网络算法建立料层透气性预报模型,以即时为现场操作人员提供科学的操作指导。通过测试并与随机森林模型、支持向量机模型进行性能对比,结果表明,深度神经网络具有很好的预测效果,可实现对料层透气性的精准预测,对优化烧结现场的操作效果具有很好的指导意义。     

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%。     

应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

基于物料模型的GMDH神经网络LF终点温度预测

针对LF冶炼终点温度影响因素的复杂性,提出以自组织数据挖掘原理为核心的GMDH神经网络对钢水终点温度进行预测,±5℃内误差的命中率为78.31％,±7.5℃内误差的命中率为92.77％;建立物料的热效应模型,通过不同物料加入钢水中的热效应计算,将LF精炼过程中加入的物料折算为一个输入因素,改进的GMDH神经网络对钢水温度预测,±5℃内误差的命中率为88.72％,±7.5℃内误差的命中率为98.44％,基于物料模型的GMDH神经网络不仅在命中率上有显著提高,而且对冶炼多钢种导致的物料结构改变有更好的适应能力.     

基于减法聚类的模糊神经网络转炉终点温度预报模型

分析了对转炉终点温度的影响因素,利用减法聚类自动确定模糊规则的数目,建立了模糊神经网络系统预报转炉终点温度.结果表明,该方法建立的模型能够对终点温度进行较好的预报,误差在±4℃以内的命中率可达25.49%;预报误差小于±20℃的炉数可达84.31%.