基于神经网络的转炉冶炼终点磷和硫含量预报模型

通过研究转炉冶炼终点磷、硫含量的影响因素.确定了影响冶炼终点的控制变量,根据人工神经网络技术,对常用BP算法进行改进,建立了基于神经网络的转炉冶炼终点双节点输出模型,实现了对终点钢水磷、硫含量同时进行预报,选取现场实际生产数据为样本,对模型进行训练,使模型对磷、硫含量的预报误差在±0.003%的命中率均达到了85%以上,预报精度达到了炼钢工艺的要求。     

基于神经网络的转炉冶炼终点锰、磷静态预报模型

我国钢铁企业所使用的转炉多为中小型转炉，因容量小无法采用动态控制技术。而传统的静态控制模型计算精度差，终点命中率低，实际生产中的应用效果不好。所以本文充分利用最近发展起来的人工神经网络技术，以Visual Basic编程语言为工具，建立了基于神经网络的转炉冶炼终点锰、磷静态预报模型。     

基于神经网络的转炉冶炼终点锰、磷静态预报模型

我国钢铁企业所使用的转炉多为中小型转炉,因容量小无法采用动态控制技术.而传统的静态控制模型计算精度差,终点命中率低,实际生产中的应用效果不好.所以本文充分利用最近发展起来的人工神经网络技术,以Visual Basic编程语言为工具,建立了基于神经网络的转炉冶炼终点锰、磷静态预报模型.     

转炉终点锰预报模型的开发

探讨转炉炼钢终点锰预报模型的建模技术。模型分为两种：代数学模型和人工神经网络模型。代数学模型采用多元线性回归方法建模,该模型简单、可视,但仿真结果并不理想。人工神经网络模型在选取适当输入参数的基础上,通过对转炉生产的历史数据进行训练,求得合理优化的网络权重,可对转粮终点锰含量进行离线预报,该模型的仿结果很好,当预报误差精度│△Mn│≤0．025％时,预报命中率超过95％,为今后转炉的在线锰预报和快速出钢模型的研制提供依据和技术支持。     

基于MATLAB神经网络的复吹转炉终点氧含量的预报模型

钢水终点氧含量是转炉炼钢的控制目标，它与钢水碳含量、钢水温度等多个变量之间存在着严重的非线性关系。利用MATLAB环境，提出基于BP神经网络的转炉炼钢终点氧含量预报模型，并结合某钢铁企业一座90t转炉的实际数据进行了模型验证。结果表明，该方法收敛速度快，预报精度较高。     

转炉终点锰预报模型的开发

探讨转炉炼钢终点锰预报模型的建模技术 模型分为两种 :代数学模型和人工神经网络模型 代数学模型采用多元线性回归方法建模 ,该模型简单、可视 ,但仿真结果并不理想 人工神经网络模型在选取适当输入参数的基础上 ,通过对转炉生产的历史数据进行训练 ,求得合理优化的网络权重 ,可对转炉终点锰含量进行离线预报 ,该模型的仿真结果很好 ,当预报误差精度|ΔMn|≤ 0 .0 2 5 %时 ,预报命中率超过 95 % ,为今后转炉的在线锰预报和快速出钢模型的研制提供依据和技术支持     

脱磷转炉脱磷渣FeO预报模型

为提高\"全三脱\"工艺脱磷转炉的脱磷效率、降低钢铁料的消耗,基于氧平衡机理模型,采用Levenberg-Marquardt神经网络优化算法,建立了脱磷转炉脱磷渣FeO预报模型。将氧平衡机理模型计算的氧化物(FeO,CaO,SiO_2,MgO,MnO,P_2O_5,Al_2O_3)质量和出钢温度作为输入项导入神经网络工具箱,训练成误差最小化的网络。结果表明,FeO预测值与实测值相对误差在10%以内的炉次达到85%。建立的模型具有较高的预报命中率,可为现场生产提供理论依据。     

基于神经网络的铜锍吹炼终点预报技术

准确预报铜锍吹炼终点，对于铜锍吹软操作至重要，采用改进的BP神经网络算法和自适应残差补偿算法建立铜锍吹炼终点组合预报模型，利用某厂实际生产数据进行仿真运行的结果表明，本文建立的模型具有较高的预报精度和较强的实时性，可用于指导生产实践。     

基于神经网络的钢包精炼终点预报

通过改进的BP神经网络,结合炼钢工艺的特点,建立炼钢精炼炉终点模型,对精炼炉终点进行预报,其基本思想是:在对以往的现场数据进行分析和了解及已有的人工神经元网络模型的基础上,结合炼钢的实际工艺特点,确定模型的参数,从而确定预报模型,再根据确定的模型对现场的其他数据进行预报.仿真结果可以表明,应用通过改进的BP神经网络进行炼钢精炼炉终点预报得到了很好的效果.     

LD转炉终点控制模型

本文以马钢５０ｔ转炉为背景，在理论分析的基础上，考虑大生产的实际条件，采用回归分析的方法建立了ＬＤ转炉终点静态控制的全量模型。     

基于RBF神经网络的旋风器阻力系数预测模型

旋风器阻力系数是随旋风器结构参数变化的复杂函数，根据阻力系数与结构因素之间的映射关系建立了基于径向基函数(RBF)神经网络预测模型，并将其用于切流反转式旋风器阻力系数的预测并与常用的BP神经网络模型比较。结果表明，该模型收敛速度快。预测误差小，预测结果与实测结果较为符合。     

基于 BP 神经网络与灰预测方法的杭州市城市生活垃圾产量预测研究

通过分析影响城市垃圾数量的主要因素,利用灰预测方法构建未来数据,建立了一个考虑人口数量、人均收入影响下的B P神经网络模型,对未来10年的杭州市生活垃圾数量进行预测,得到较好的结果。     

基于连续型Hopfield神经网络的一种A／D变换器

连续型Hopfield神经网络,即Continuous Hopfield Neural Network,简称CHNN。本文主要介绍了用CHNN实现8位A／D变换器的原理、模型、步骤和电路。     

基于相似性最优模块神经网络的股票预测

该文提出一种最优模块化神经网络的模型.BP网络存在学习后面的样本而"遗忘"前面的样本,以及训练速度很慢的问题,但具有泛化能力强的优点,同时网络的结构不会随数据增加而变的庞大.而RBF网络随着输入维数增加其隐藏层的神经元个数呈指数增加,并且其泛化能力不强,但RBF网络具有训练速度比较快,逼近效果好等优点.于是提出最优模块化神经网络的模型,综合BP和RBF网络的优点.使学习样本能力,运算速度,网络规模得到改善.该模型适合于较多的样本训练.     

一种基于禁忌神经网络的网络入侵检测模型

随着互联网的发展和普及,传统网络入侵防范方法如防火墙、数据加密等已经很难保证系统和网络资源的安全。为此,本文设计了基于改进禁忌算法和神经网络的网络入侵检测方法。首先建立三层的BP神经网络模型用于实现入侵检测。然后通过BP反向传播算法获取网络的权值和阀值等参数,并设计了一种基于双禁忌表的改进禁忌优化算法,采用此改进的禁忌优化算法对BP算法优化得到的权值和阀值进行进一步寻优。最后,将禁忌算法优化后的神经网络用于网络入侵检测。仿真实验表明,此方法能够有效地实现网络入侵检测,具有较快的收敛速度和较高的检测率,是一种适合网络入侵检测的可行方法。