基于主成分分析和PSO-ELM算法的排土场稳定性预测模型

针对排土场边坡稳定性分析,提出了一种利用主成分分析法降低数据冗余性、粒子群算法优化极限学习机权值阈值的PCA-PSO-ELM排土场边坡稳定性预测模型。确定了土壤黏聚力、内摩擦角、排土场斜角、地基承载力、地震烈度、降雨和降雪条件、排土工艺以及乱采乱挖状况8个排土场稳定性预测指标,针对100组相应排土场数据,采用训练时间、RMSE值和决定系数R²来评价和对比PCA-PSO-ELM模型与BP神经网络模型、ELM模型和PSO-ELM模型预测结果的有效性。研究结果表明：利用经PCA降维处理过的排土场稳定性样本数据作为输入变量去训练和测试PSO-ELM网络模型,预测值与真实值非常接近,其预测精度和效率不仅高于ELM算法,而且远远优于传统BP神经网络算法。经过PCA法优化的PSO-ELM模型与未经PCA处理过的PSO-ELM模型相比,前者在效率相差甚微的基础上大幅缩短了计算时间,证明了该方法具有一定的实用价值。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.      

基于位移反分析的岩质边坡稳定性分析

通过工程现场获得边坡位移量等信息,并基于正交试验设计和FLAC3D建立训练样本和测试样本,运用BP神经网络建立起边坡位移与待反演参数之间潜在的映射关系.利用粒子群算法的参数优化功能优化BP神经网络,然后再用粒子群算法从全局空间上搜索出BP神经网络中预测位移与实测位移最接近的一组参数组合,最后采用FLAC3D计算出边坡的安全系数来评价其稳定性.研究表明将BP神经网络与粒子群算法相结合,进行位移反分析是可行的;通过位移反分析得到的参数结果,进行稳定性分析将更准确.     

某露天矿坑内排土场边坡稳定性分析

为分析某露天矿坑内排土场边坡稳定性,先采用极限平衡法中的瑞典法、简化毕肖普法、推力传递法、滑楔法、摩根斯法计算边坡安全系数,然后采用数值模拟软件FLAC~(3D)模拟边坡岩土体的应力及位移的变化规律.通过对所得边坡安全系数、应力及位移结果进行分析可知,该排土场边坡处于稳定状态.     

热风炉煤气消耗量灰色预测模型的开发

针对热风炉系统非线性、大滞后、大惯性,煤气消耗量难以有效预测的问题,以某高炉热风炉为研究对象,采用灰色模型对煤气消耗量进行预测。介绍了预测模型的建模方法、系统软件结构、预测模型的建立步骤,通过粒子群算法优化了模型参数,最后使用灰色模型对该高炉热风炉煤气消耗量进行预测,结果说明该方法预测准确,具有较强的实践意义,为调度人员准确把握煤气资源的波动趋势,进行优化调配提供了可靠依据,降低了能耗。     

函数型数据分析与优化极限学习机结合的弹药传输机械臂参数辨识

为实现弹药传输机械臂中不可测参数的辨识,建立了机械臂的虚拟样机,并将其作为样本数据的来源;考虑到样本数据的连续性和平滑特性,使用函数型数据分析和函数型主成分分析对样本数据进行了特征提取,并利用提取的特征参数和待辨识参数作为训练样本对极限学习机(ELM)进行了训练.为提高极限学习机的辨识精度和泛化能力,利用粒子群算法对极限学习机的输入层与隐含层的连接权值和隐含层节点的阈值进行了优化.最后,分别利用仿真数据与测试数据对此方法进行了验证,仿真数据的辨识结果表明,优化后的极限学习机具有更高的辨识精度和泛化能力;同时,通过对比将测试数据的辨识结果代入模型中进行仿真得到的支臂角速度与测试角速度,验证了此方法的可行性和有效性.      

基于数据的高炉铁水硅含量预测

针对铁水硅含量无法直接在线检测的问题,提出了一种基于优化极限学习机的高炉铁水硅含量数据驱动预测模型,该模型利用差分进化算法的全局寻优能力来优化极限学习机的输入权值和隐元偏差,在此基础上建立了基于差分进化算法优化极限学习机(DE-ELM)的高炉铁水硅含量预测模型。所建模型对高炉炉温的实际调控具有较好的指导意义。     

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.      

基于粒子群优化的带钢凸度神经网络预测模型研究

在热轧板凸度预测模型中,传统BP神经网络预测模型存在易陷入局部极小值、收敛速度慢等问题,因此在传统预测模型的基础之上,用自适应变异粒子群算法优化BP神经网络模型的权值和阈值,将权值和阈值编码成粒子选出最优值,并将其用于预测带钢凸度。仿真结果表明,自适应变异粒子群优化的BP神经网络和传统的预测模型相比,预测效果有所改善。     

基于变邻域粒子群算法的铁水硅含量稳定性分析

影响高炉铁水硅含量的因素往往复杂多变,影响程度不一。采用鱼骨分析法收集所有可能对硅含量产生影响的因素,经过相关分析和特征选择,最终选取6个参数作为模型的输入参数。采用改进的粒子群优化算法对支持向量机(SVM)中的参数进行优化,提出基于变邻域粒子群(VNPSO)优化SVM的铁水硅含量预测模型。通过钢厂的实际生产数据进行验证,平均相对误差达到0.69%,平均绝对误差达到3.4×10~(-3),模型具有很高的预测精度。同时,绘制铁水中硅含量控制图,分析硅含量波动情况,并依此模型给出硅含量稳定性控制措施。     

基于支持向量机的边坡稳定性预测

为准确快速地对边坡进行稳定性分析,提出基于支持向量机(Support vector machine SVM)的稀土矿开采边坡的SVM预测模型,结合42个稀土矿开采边坡实际案例,并分别采用网格寻优算法、遗传算法(Genetic algorithm GA)、粒子群算法(Particle swarm optimization...     

基于SVM污水处理过程BOD的智能预测

支持向量机是近年发展起来的新兴人工智能技术,在分析最小二乘支持向量机（SVM）理论基础上,以某污水处理厂的氧化沟系统为对象,采用一种改进的粒子群优化算法优化支持向量机的参数．建立了基于竞争机制粒子群算法ICPSO的LSSVM的氧化沟出水水质BOD智能预测模型．并与PSO—LSSVM模型和LSSVM模型比较,研究表明,ICPSO—LSSVM模型预测准确．泛化性能好．且该模型预测结果中相对误差〈10％的样本达到90％,最大相对误差仅为10．3％,均方差MSE为0．0026,模型具有较高的精度,基本可以实现出水BOD值的在线预估。     

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PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

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。     

基于群体智能优化的MKL-SVM算法及肺结节识别

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题,提出了一种基于群体智能优化的多核学习支持向量机算法。首先,研究了五种单核函数对支持向量机分类性能的影响,进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法;其次,为增加粒子多样性及快速寻优,将粒子群优化算法引入了遗传算法中的杂交操作,并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后,分别采用深度特征与手工特征作为识别算法的输入,研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入,以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试,进一步为了验证所提算法的泛化能力,选取公开数据集LUNA16进行测试。实验结果表明,本文算法易于跳出局部最优解,提升了算法的学习能力与泛化能力,具有较优的分类性能。      

基于DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。     

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。