基于WA和LS-SVM的净化过程钴离子浓度预测

针对硫酸锌溶液净化过程具有多变量耦合、强非线性、大时滞性等特点和过程数据具有高噪声、非平稳等特性,提出了一种结合小波分析和最小二乘支持向量机方法的净化过程钴离子浓度预测方法;该方法通过小波分解,将钴离子浓度序列分解得到不同的高频和低频序列,对分解得到的各序列重构并采用LS-SVM方法进行预测,最后将各预测结果合成得到钴离子浓度的预测值;仿真结果表明,该模型具有较高的预测精度,能为生产操作提供有益的指导。     

净化除钴离子浓度WA-SVM软测量

二段入口离子浓度是锌湿法冶炼二段净化除钴过程优化控制的一个关键因素。针对二段入口离子浓度在线检测困难的问题,提出了一种结合小波分析和支持向量机的离子浓度参数软测量方法,直接采用人工检测的历史数据直接建立离子浓度软测量模型。该方法采用小波分析方法将时间序列分解成具有不同频率特征的子序列。在相空间重构的基础上,利用最小二乘支持向量机建立各子序列估计模型,其中模型中的参数采用混沌粒子群算法进行优化选择。对各子序列输出重构合成得到最终的在线估计结果。应用工业现场数据的验证结果表明,所提模型具有较高的精度,相对误差小于10%的样本达97.5%,在线估计精度能够满足现场实际生产工艺要求。     

基于神经网络补偿灰色预测误差的钴离子浓度预测研究

某厂锌湿法冶炼三段净化过程中的Ⅱ段主要是通过过量添加锑盐和锌粉以除去有害杂质钴离子.本文从现场检测3个月的过程生产数据中.采用SPSS统计学软件深入分析了Ⅱ段净化工矿及其影响因素的相关性,得出了影响Ⅱ段后液钴离子浓度的主要因素,提出采用等维新息灰色预测方法预测Ⅱ段后液钴离子浓度,并采用神经网络补偿灰色预测的误差值.仿真和生产实践证明,该预测模型能够较好地预测Ⅱ段后液钴离子浓度值,从而为优化锑盐和锌粉添加量的操作起指导性作用.     

基于智能融合策略的钴离子浓度预测模型

针对湿法炼锌净化过程中钴离子浓度难以准确检测的问题,提出一种基于智能融合策略的钴离子浓度组合预测模型.首先从提高模型预测精度的角度出发,考虑不同核函数对预测性能的影响,分别建立两个在线支持向量回归子模型,并采用改进粒子群优化算法进行子模型参数寻优;然后通过熵值法智能融合策略建立组合预测模型.仿真实验表明,组合模型具有良好的预测性能,预测效果能满足硫酸锌溶液净化过程中对钴离子浓度值的误差要求.     

基于一种混合算法模型的短期电力负荷预测

研究电网管理,进行电力负荷预测,为了保证系统的安全性,提出一种新颖的混合算法预测模型,是在粒子群优化算法的基础上引入模拟退火算法的思想形成一种混合算法,再结合模糊神经网络而成的一种预测模型.可有效地避免了传统的模糊神经网络收敛慢且容易陷入局部最小的缺点,也有助于克服标准粒子群优化算法训练模糊神经网络出现的早熟现象.通过对某市一天的电力系统进行短期负荷预测的仿真,并对BP算法、遗传算法、标准粒子群优化算法的模型进行了比较,仿真结果表明,改进预测模型的优越性和有效性.     

一种基于正向云变换的混合计算神经网络及其应用

针对数值信息与定性领域知识相互融合的计算问题,提出了一种基于云变换的混合计算神经网络模型。利用正向正态云发生器可实现定性概念到量化数值描述之间不确定关系的转换机制,建立基于云变换的混合信息计算逻辑和神经网络模型。将定性概念谓词通过云变换在概率意义下转换为数值变量,把计算规则表示为神经元,利用神经网络的学习性质来实现对定量与定性混合信息的自适应计算和推理。在算法设计中,将网络性质参数整合为一个粒子,利用粒子群算法对混合计算神经网络进行整体优化求解。以石油地质研究中的沉积微相自动识别为例,实验结果验证了模型和算法的有效性。     

一种新的混合智能极限学习机

提出一种基于差分进化(DE)和粒子群优化(PSO)的混合智能方法—–DEPSO算法,并通过对10个典型函数进行测试,表明DEPSO算法具有良好的寻优性能。针对单隐层前向神经网络(SLFNs)提出一种改进的学习算法—–DEPSO-ELM算法,即应用DEPSO算法优化SLFNs的隐层节点参数,采用极限学习算法(ELM)求取SLFNs的输出权值。将DEPSO-ELM算法应用于6个典型真实数据集的回归计算,并与DE-ELM、SaE-ELM算法相比,获得了更精确的计算结果。最后,将DEPSO-ELM算法应用于数控机床热误差的建模预测,获得了良好的预测效果。     

基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法

为了准确预测采煤工作面的瓦斯浓度,提出基于相空间重构理论、自适应混沌粒子群优化理论的混合核最小二乘支持向量机瓦斯浓度动态预测方法。以井下无线传感器网络监测系统采集到的工作面瓦斯浓度作为研究对象,通过平移不变小波降噪法滤除干扰瓦斯浓度的噪声,以相空间重构的瓦斯浓度序列样本训练混合核最小二乘支持向量机模型,利用自适应混沌粒子群算法优化模型参数,并通过误差校正的方法提高整体系统的预测精度。实验结果表明,提出的动态预测方法可以实现对工作面的瓦斯浓度的良好预测,平均相对误差MAPE值为0.0241、相对均方根误差RRMSE值为0.2097和平均相对变动ARV值0.00311,预测结果合理并且满足工程的实际需要,可为煤矿瓦斯预测和防治工作提供有效理论依据。     

一种并行的自适应量子粒子群算法

针对粒子群算法存在易陷入局部最优解的问题,提出了一种并行的自适应量子粒子群算法。通过共享粒子的两个极值,将改进后的自适应粒子群算法和边界变异的量子粒子群算法并行搜索,有效地克服了标准粒子群算法的缺陷。测试结果表明,该算法在精度和全局最优解的找寻速度方面有了很大的提高。     

基于T-S推理网络的油田开发指标预测方法*

针对油田开发指标预测问题,提出一种T-S推理元模型,该模型包括输入层、模糊化层和推理层。每个推理元对应一条模糊逻辑规则,由若干T-S推理元可构成T-S推理网络。网络可调参数包括模糊集参数和模糊规则参数。提出了基于改进量子粒子群优化的参数确定方法。以油田开发指标中含水率和采油量预测为例,结果表明,该方法是有效且可行的,从而表明模糊逻辑与智能优化算法的融合对于解决指标预测问题具有一定潜力。     

一种高效的智能内容过滤模型

针对目前内容过滤系统中存在的问题,借鉴人工智能领域中基于范例推理(CBR)的机制,提出了一种高效的智能内容过滤模型,它可以对应用层内容协议(如FTP、HTTP、SMTP、POP3等)所携带的信息进行过滤,较好地避免了规则规模过大而对系统效率的影响,有效地处理具有相似内容的垃圾邮件,并具备一定的自学习能力。     

磁选管回收率智能混合预报方法

针对衡量竖炉焙烧过程焙烧矿质量好坏的关键工艺指标磁选管回收率难以在线测量、化验结果滞后的难题，采用神经网络、案例推理和专家系统技术，提出了由神经网络预报模型、案例推理预报模型、自校正模型组成的磁选管回收率智能混合预报模型，讨论了模型的结构、主要功能和实现算法，并成功应用于赤铁矿选矿厂竖炉焙烧过程．应用效果表明，在工况正常与异常两种情况下，所提出的方法均能准确预报磁选管回收率．将磁选管回收率预报模型应用于竖炉焙烧过程的优化控制，使磁选管回收率保持在最优工艺指标范围之内，取得了明显的成效．     

流程工厂设计中的规则挖掘与智能预测

流程工厂设计涉及不同的工程应用背景及专业知识,大量隐含的设计规则尚未提炼,因此建模过程存在效率低、模型质量不高等问题.结合流程工厂模型的领域特性,提出一种用于挖掘工厂设计规则的频繁类型树模型.该模型以大量实例工厂模型中各构件的属性及拓扑连接关系为依据构造频繁类型树;在后续模型的构建过程中,通过对该树的查询为当前工厂设计提供实时的智能预测.实验结果表明,文中模型能够挖掘到不同工程应用背景下的隐含建模知识,在未来模型的构建过程中,利用这些知识所提供的智能预测可以大幅缩小构件选择范围,有效地提升流程工厂模型的构建效率及设计质量.     

高斯过程混合模型应用于网络流量预测研究

精准的网络流量预测可以避免网络崩溃,保证网络的流畅度。将高斯过程混合（GPM）模型应用于网络流量的多模态预测。对两段不同地区的网络流量序列进行多模态分析,将之通过归一化和相空间重构后生成样本集并输入GPM模型。采用分类迭代学习算法,利用后验概率最大化和似然函数实现模型参数学习。将GPM模型与支持向量机（SVM）、核回归（KR）、最小最大概率机回归（MPMR）和高斯过程（GP）等模型比较。通过对比均方根误差[(RMSE)]和决定系数[(R2)]评价指标,GPM模型的预测准确度要优于其他四种模型。说明GPM模型能够很好应用于网络流量预测,可以为网络管理者分配网络资源提供参考。     

智能公交中基于条件映射的到站时间预测算法

针对传统公交车到站时间预测算法精度较低的问题,提出一种利用条件映射进行时间预测的模型。在兼顾拟合度和泛化能力的同时,模型直接将交通信息映射为到站所需时间。采用基于范例的推理技术,给出条件映射预测模型的实现算法,并用实测数据对预测算法进行比较。实验结果表明,在正常时段和高峰期,该算法的预测精度分别为100%和85%,平均误差分别为13 s和30.5 s。     

一种基于混合神经网络的浮选pH值预测模型

矿物浮选过程中,矿浆pH值作为影响浮选效果的一个重要因素,是实现浮选过程监视及优化控制的一个重要参量。目前的pH值测定仪存在交叉污染、测量滞后等问题,难以获得实时准确的pH值。为使浮选运行在最优状态,在泡沫图像特征提取的基础上,提出一种基于自适应遗传混合神经网络的预测模型,该模型首先利用主元分析(PCA)方法对提取的多个图像特征进行降维,然后采用自适应遗传混合神经网络(AGA-HNN)建立pH值预测模型。最后将该模型应用于浮选现场,预测结果能够实时跟踪实际值,根据预测值实时调整工况条件,改善了浮选效果,提高了浮选效率。     

选矿过程神经网络粒度软测量方法的研究

结合选矿厂磨矿分级作业的实际工矿, 提出了基于RBF网络的粒度软测量的设计方法. 仿真和实际试验结果表明, 该方法能够解决选矿生产中磨矿粒度因缺乏适当的检测设备而存在的难以进行在线检测的问题.     

选矿过程神经网络粒度软测量方法的研究

结合选矿厂磨矿分级作业的实际工矿,提出了基于RBF网络的粒度软测量的设计方法.仿真和实际试验结果表明,该方法能够解决选矿生产中磨矿粒度因缺乏适当的检测设备而存在的难以进行在线检测的问题.     

Intelligent Setting and Optimization of Process Parameters for Plastic Injection Molding

1 Introduction Injection molding is one of the most widely used techniques in plastics industry, in which process parameters setting and optimizing is recognized as one of the important steps to shorten the development time and improve the quality of the molded parts. Optimal process parameters setting is difficult to achieve due to involving a large number of interweaving factors, including injection machine, molding material, mold, etc. Injection molding process belongs to the category of la…