小波模糊神经网络在高炉炉温预测中的应用

在运用模糊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。根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

小波模糊神经网络在高炉铁水硅质量分数预测中的应用

在运用模糊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,根据去噪处理对模糊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中硅的质量分数.仿真结果表明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高.     

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。     

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。     

小波变换在弹丸超声阵列中的应用

弹丸超声阵列中检测到的超声波信号信噪比较低,易于被噪声信号湮没,需要对采集信号进行去噪.本文拟采用小波去噪方法对检测到的信号进行去噪,根据弹丸超声波信号的脉冲特性,选取小波基函数中的sym8小波.通过对几种去噪方法对比分析,结果表明,采用Birge-Massart算法选取阈值后,使用改进的Garrote阈值方法进行去噪处理,可以有效的降低噪声,提取弹丸超声波信号特征.     

基于小波包分数幂阈值的声发射去噪研究

针对岩石声发射信号在传播和采集的过程中受到多种噪声干扰而具有复杂、瞬态等非平稳特性的特点,基于小波包硬阈值去噪法、小波包软阈值去噪法和小波包分数幂阈值去噪法,对岩石声发射信号进行去噪处理。研究表明,对于岩石声发射信号,小波包分数幂阈值去噪方法克服了传统的软阈值去噪使信号幅值失真和硬阈值去噪使去噪后信号振荡加剧的缺点。与软阈值去噪和硬阈值去噪相比,信号的信噪比和均方根误差都较小。小波包分数幂阈值去噪在保证原始信号特征的情况下,可以有效地滤除信号中的噪声,信号失真小,是一种较好的岩石声发射信号去噪方法。     

基于小波去噪和循环神经网络-k重-整合移动平均自回归模型的转炉煤气柜位预测

在钢铁企业的生产过程中，实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要。本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregressive integrated moving average model, RNN-k-ARIMA)混合预测模型，并用该模型预测转炉煤气柜位。其主要研究思路为：首先，利用小波阈值去噪方法去除柜位数据中的干扰噪声；其次，运用RNN模型训练去噪后的柜位数据，计算RNN模型预测结果与实际值的残差；再次，使用k-ARIMA模型对残差进行修正；最后，将修正后的残差与RNN模型预测的初值求和得到最终的预测结果。通过测试两个数据集，得到均方根误差E_RMS(root mean square error, RMSE)分别为0.206 142和0.146 249,平均绝对百分比误差E_MAP(mean absolute percentage error, MAPE)分别为0.941 101和0.720 312,方向精度A_D     

几种信号去噪方法在爆破振动信号中的应用分析

介绍了小波阈值法、EMD以及EEMD的信号去噪原理,并采用3种方法分别对露天爆破开采下所获得的爆破地震波信号进行去噪处理.对比分析去噪后波形图、信噪比以及均方根误差,发现小波阈值去噪法对于不同信号源去噪时效果各不相同,其信噪比与均方根误差值波动幅度大,说明小波阈值法在爆破振动信号去噪中具有不稳定性.与小波阈值法相比,EMD与EEMD对信号去噪效果稳定,体现了它们在信号分析中的自适应性.与EMD去噪法相比,EEMD能消除EMD分解信号时所产生的模态混叠现象;EEMD去噪法能够获得更高的信噪比以及更小的均方根误差值,去噪效果要明显好于EMD法,缺点在于计算时间太长.      

一种基于互相关函数的小波系数相关阈值去噪方法

针对传统的小波系数相关去噪方法中,在对含噪信号进行小波变换后,各尺度上的小波系数会产生微小偏移的问题,提出了一种基于互相关函数的小波系数相关去噪方法.采用互相关算法,计算各个尺度与原始含噪信号产生的偏移量,再把偏移后的尺度进行相关分析,得出准确的突变信号;为了去除信号突变附近附带的少量噪声信号,再采用临界阈值去噪方法对相关分析后的尺度信号进行阈值处理,最后经过信号重构可以得到精确的有用信号.     

基于小波分析的光谱数据处理

原子发射光谱作为多元素同步分析技术具有巨大的在线分析潜力。由于光谱数据量大,干扰信息与有效信息并存,不利于对光谱数据进行定性定量分析。小波分析具有分时分频精细表达和多尺度多分辨率分析的独特优势,本文介绍了小波变换去噪技术原理,通过对一组光谱数据的去噪处理,说明利用小波分析法可以有效的消减光谱中的干扰信息。     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到95.6%和97.8%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到956%和978%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

基于T-S模糊神经网络模型的高炉铁水温度预测建模

 针对高炉炉温与铁水硅含量呈正相关而非严格的线性关系和机制建模的主观性以及其难以建立各变量之间隐含的数学关系等的不足,在数据挖掘理论的基础上,对海量的样本数据进行预处理和特征提取,然后以高炉铁水温度为研究对象,建立了基于T-S模糊神经网络的高炉铁水温度预测模型。最后,应用某高炉数据进行模型验证,并将该模型与T-S模糊多元回归模型以及BP神经网络模型进行比较研究,仿真结果表明T-S模糊神经网络模型的有效性和优越性。     

基于模糊聚类及神经网络的连铸漏钢预报

在模糊RBF神经网络的基础上,通过融合基于贴近度的改进FCM和Conditional FCM算法,建立了改进的模糊RBF网络模型;并结合某钢厂连铸现场采集的历史数据将该模型应用于连铸漏钢预报的过程中。结果表明,改进的网络模型能更准确地辨识连铸粘结漏钢过程中典型温度模式1和模式2,对二者的预报率分别达到949%和983%,报出率均达到100%,其预报性能更佳,能更有效地预报拉漏事故。     

ANFIS模型在围岩稳定性分类中的应用

将模糊理论和人工神经网络理论相结合,建立了一种自适应神经模糊推理系统(ANFIS),应用于地下工程围岩稳定性分类.并根据收集到的围岩分类资料作为样本来训练和测试网络模型.预测结果表明,该模型能较好地用于地下硐室围岩分类.     

基于模糊聚类的BP神经网络模型预报中厚板轧制力

以实测数据为基础,在中厚板轧制设定中采用BP神经网络的方法取代传统的轧制力数学模型,并对神经网络输入项和训练样本进行分析,将传统轧制力模型的自学习过程引入神经元网络用于轧制力预报,改善预报精度.采用模糊聚类分析方法,科学选取学习样本,解决了由于样本多学习速度慢的问题.通过在线数据分析,可知这种方法对轧制力的预报精度有很大改善,而且神经元网络的结构也得到简化.此方法可以作为神经元网络应用的一个拓展.     

Preliminary Design System for Concrete Box Girder Bridges

A neural network-based design system is presented in this paper for preliminary design of concrete box girder bridges. The system is based on a loose coupling model that integrates the artificial neural network and the fuzzy network to perform the task of noisy data filtering, knowledge extraction, and candidate synthesis. After a comparative study, the radial basis function neural network is chosen in the design knowledge generation instead of the commonly used back-propagation neural network. The fuzzy network is employed to determine the integer types of design parameters. The developed system provides a few feasible design configurations, and enables the user to overwrite some of the design parameters, so that that user can have a wide choice in his preliminary design. The accuracy of the neural network testing and the influence of the size of the design cases on the neural network prediction are discussed. A design example is included to illustrate the design procedure.     

基于机器学习的钢铁轧制过程性能预测

 为了实现快速的热轧工艺优化设计,基于工业数据的钢铁材料性能预测引起了研究者的极大关注,对利用机器学习进行钢铁材料轧制过程性能预测的研究进展进行了梳理。首先介绍了钢铁材料轧制过程性能预测常用的主流机器学习算法,其中包括人工神经网络、模糊神经网络、支持向量机、随机森林、智能优化算法等。其次,分别对钢铁材料轧制过程性能预测建模方法研究进展和模型应用情况进行了综述。最后,对钢铁轧制过程性能预测研究进行了展望,指出了数据质量的改善、小样本数据建模、建模数据加密、模型可解释性研究、钢铁材料组织预测和利用模型进行有效的工艺优化设计等可能发展方向。     

基于模糊聚类的模糊神经网络的系统辨识

本文采用基于模糊聚类的模糊神经网络模型对系统进行辨识,首先利用模糊聚类技术来确定系统的模糊空间和模糊规则数,然后利用模糊神经网络来调整模型的前件参数和后件参数。用此设计方法对函数逼近问题进行仿真,结果表明利用聚类技术可以获得较好的初始值,学习速度快、建模精度高。