基于BP神经网络对脱氧合金冶炼中元素收得率的预测

为了准确地预测炼钢生产中脱氧合金化过程中元素收得率,本研究基于BP与RBF神经网络模型对脱氧合金冶炼中元素收得率预测精度进行对比分析。结果表明:(1)根据预测结果精度确定脱氧合金冶炼中元素收得率预测使用BP神经网络模型;(2)基于BP神经网络模型对脱氧合金冶炼中C、Mn两种元素收得率进行预测分析得出:C元素收得率预测区间为[0.894 9,0.901 2]、 Mn元素收得率预测区间为[0.904 5,0.919 5]。基于BP神经网络模型能够较为准确地预测脱氧合金冶炼中元素收得率区间,从而控制合金用量,达到降低炼钢成本的目的。     

基于多元回归模型分析影响合金元素收得率主要因素

该文针对国内炼钢厂难以实现合金配料的自动优化和成本配置问题,运用多元回归分析判断钢产品C、Mn元素收得率的影响因素主要是转炉终点元素和合金加料量。对钢产品的数据按照钢号不同进行筛选分类后,根据钢水中合金的元素收得率,分别计算出元素C、Mn的收得率,其中C元素历史收得率为0.90,Mn元素的历史收得率为0.93。     

优选雨量站权重改进降雨输入的洪水预报方法

降雨是驱动水文模型进行洪水预报的重要输入数据,降雨资料短缺给洪水预报工作带来极大挑战．引入边缘雨量站降雨数据,基于随机优选方法,构建优选雨量站权重改进降雨输入的新安江模型,对资料短缺流域进行洪水预测,并在石灰窑以上流域进行试验研究．与泰森多边形权重相比,优选权重改进降雨输入的产流预报精度有显著提高,率定期、验证期产流合格率分别从60%、40%提高至100%、60%,汇流预报精度略有提升;改进降雨输入后的新安江模型的优选参数更符合流域产汇流特征,提升了模型参数的合理性．所提优选雨量站权重改进降雨输入的洪水预报方法,对类似降雨资料短缺流域洪水预报具有重要的参考价值．     

基于因子分析对合金元素收得率的影响因素研究

为了在控制成本的前提下保证成品钢质量,钢铁企业将合金元素收得率的控制作为脱氧合金化工艺的一项关键内容。对钢水脱氧合金化工艺中合金元素收得率的影响因素进行研究,首先根据历史真实数据,按钢种和转炉终点温度分类计算C、Mn元素收得率;其次采用因子分析方法,对C、Mn两种元素分别选取13个可能的影响因素,利用SPSS软件建立C、Mn两种元素收得率影响因素的因子分析模型,分别得到5个和4个因子,并根据相关化学原理,对各因子进行解释;最后得出结论:钢水脱氧合金化工艺中合金元素收得率的影响因素主要为加入物质的脱氧能力、加入物质中对应元素的含量、合金添加剂的量和外部条件。     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.     

运用主成分分析和深度神经网络预测钢包炉合金元素收得率的研究

钢包炉（ladle furnace,LF）精炼的核心任务之一是进行钢水合金化过程,以保证钢包到达连铸平台后满足钢水成分要求。钢水合金化也是较为复杂的物理化学反应过程,其不仅对钢水温度有影响,而且对钢水质量、合金料消耗量均有影响。因此,实现LF精炼过程中合金元素收得率的精准预测具有重要意义。本研究首先采用主成分分析法（principal component analysis,PCA）对模型输入变量进行处理,用于简化实际生产数据结构;然后,融合SGDM算法和L2正则化方法,构建了深度神经网络（deep neural network,DNN）;最后,采用主成分分析和深度神经网络相结合的方法,建立了合金元素收得率预测模型。结果表明,Si元素收得率命中率在±1%, ±3%和 ±5%误差范围内分别为54.0%、93.8%和98.8%;Mn元素收得率命中率在±1%, ±2%和 ±3%误差范围内分别为77.0%、96.3%和99.5%。此外,PCA–DNN模型的预测精度优于参考炉次法、多元线性回归模型、改进BP神经网络模型和DNN模型,有助于实现钢水成分的“窄窗口”控制。本研究中合金元素收得率预测模型的建立,也可为LF智能精炼合金化控制模型的开发提供支撑。     

基于优化支持向量机的热耗率预测方法

针对传统的汽轮机热耗率计算模型精度较低的问题,构建了一种基于改进生物地理学优化算法优化支持向量机的热耗率预报模型。首先,提出改进的生物地理学优化算法以加强算法的优化能力,并通过4个典型的测试函数验证算法的有效性。其次,采用支持向量机建立汽轮机热耗率的预报模型,并选用径向基函数作为核函数,用改进的生物地理学优化算法优化该模型参数。最后,结合某火电站600 MW超临界汽轮机组现场数据进行热耗率预报的仿真研究,结果表明基于该算法建立的汽轮机热耗率预报模型具有较高的预报精度。     

非线性灰色-时序组合模型在隧道变形监测中的应用研究

隧道变形监测时由于受外界因素或系统因素的干扰,所获得的观测数据往往会含有误差或粗差,必须在建模之前对观测数据进行预处理。选用格拉布斯准则对观测数据进行粗差检验,可以有效地避免粗差对模型预测精度的干扰进而提高模型的预测精度,且将灰色时序组合模型用于隧道变形监测分析预报中,并与单一的GM(1,1)模型和时间序列模型的预测精度作对比,结果表明:组合模型在隧道变形预测分析预报中有较高的精度。     

基于微分进化的钢水温度预报混合模型

针对LF冶炼过程钢水温度预报问题对机理模型进行了分析.将基于微分进化的BP网络引入混合模型,以确定模型中难以准确获得的参数,建立了基于微分进化的钢水温度混合预报模型.模型通过适当时刻变异因子的随机选取和重复进行种群个体初始化的方法,对微分进化算法进行了改进,有效解决了BP网络训练的困难,避免了算法早熟.实验结果表明,混合模型具有较好的预测结果,基本满足了实际生产的需要.     

基于改进灰色模型的我国天然气产量预测研究

在灰色预测模型的研究基础上,针对灰色预测模型拟合结果误差方面的问题,引入了广义翁氏模型的对数方程式积分形式,以此思想给出了灰色预测模型提高预测精度的理论依据及其改进过程,构建改进后的灰色预测模型.将该改进后的模型用于模拟我国2002年至2011年天然气产量数据,结果显示该改进模型的拟合结果优于改进过程中所应用的任何一个单独模型的拟合结果.使用改进模型预测了2012年至2025年我国天然气产量数据.     

可缓解类重叠问题的跨版本软件缺陷预测方法

针对软件缺陷预测过程中未充分使用源代码语义特征以及训练数据集中的类重叠问题, 提出一种面向类重叠的跨版本软件缺陷深度特征学习方法. 该方法采用混合式最近邻清理策略缓解深度学习语义特征中存在的类重叠问题. 在PROMISE公开数据集上进行测试的结果表明, 该策略能提升基于深度语义学习的软件缺陷预测性能, 分类性能最多在中值上提升14.8%. 实验结果表明, 在跨版本深度缺陷预测问题中可采用混合式最近邻清理策略缓解类重叠问题.     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测，综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响，提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先，提出了一种综合相关性分析模型，结合多种特征选择方法对多维气象特征实现综合评价，准确筛选与风电功率相关性较高的气象特征，提高预测精度。其次，针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多，模态混叠程度加剧的问题，提出了SECEEMD分解算法，在降低分量数量，降低模态混叠程度的同时，提高模型的训练速度。然后，分别建立NWP-LSTM和SECEEMD-BP预测模型，并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构；最后，通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据，经验证，本文所提预测模型，能较大程度提高预测精度，相较于一般预测模型，R2-Score分别提高了4%和0.6%，MAE分别降低了44%和1.1%，证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度，更加适合进行风电功率预测。     

基于用户移动行为相似性聚类的Markov位置预测

由于采集点丢失或出现新用户等原因,GPS轨迹数据往往具有稀疏性,使得基于单个用户数据的位置预测准确率较低.针对这种情况,提出了基于移动行为相似性和用户聚类的Markov位置预测方法.首先,基于Voronoi图和原始GPS轨迹进行区域划分,位置预测基于区域轨迹进行;其次,提出了同时考虑用户转移特性和用户区域特性的移动行为相似性计算方法;再次,根据移动行为相似性对用户进行聚类,并在聚类的用户组上采用一阶Markov模型进行位置预测,提高了位置预测的准确性.真实GPS轨迹数据上的实验表明了所提出方法的有效性.     

一种不平衡数据的分类方法

针对一个球的模式分类(SSPC)方法没有考虑样本分布不平衡的问题,提出一种不平衡数据的分类方法.该方法引入类权重因子和样本权重因子,通过一个超球面将两类数据以最大分离比率分离,从而提高不平衡数据对正类分类和预测的性能.实验结果表明,该方法可以有效提高不平衡数据的分类性能.     

由粗到精和特征筛选的精确回归预测方法及其在二语习得中的应用

针对数据分布不均匀且因素多而容易造成预测不精确的问题,提出一种结合由粗到精与特征筛选的精确回归预测方法.首先,由于数据分布不均匀且预测区间大,直接预测难以精确地拟合,提出一种由粗到精的预测方法,并使用决策树进行粗分类,预测目标所在的子区间,然后在子区间内实现精确的回归预测.其次,如果数据量少且特征因素多会引起过拟合,而且部分冗余特征会影响模型的预测精度,因此,提出一种基于特征筛选的回归预测方法以提高预测精度.在大学生的英语成绩与其人格因素数据集上进行相关实验,结果证明了由粗到精和特征筛选方法与传统回归模型相比精度更高且稳定性更好.通过提出的人格因素与英语成绩回归预测模型,可以制定合理的培养方案弥补学生人格因素中的短板,提升学生的自身竞争能力,从而更好地推动中国的英语教育.     

基于影响函数法的复杂辊系有载辊缝模型优化

精确的板形控制理论对提高板带轧制质量有重要意义,而辊缝的高效预测是板形控制理论的重要内容.针对复杂辊系的辊缝在线计算问题,给出一种高效的计算方法.该方法以在简单辊系中成熟应用的影响函数法为基础,结合有限元法中建立刚度矩阵思想,并通过矩阵迭代方式求解矩阵来预测辊缝.通过对辊间接触压力向量Ψ的前置处理,实现了高效的初值预设,新型预测模型的求解速度与精度进一步提高.将该预测方法与有限元法对比分析,发现该方法计算时间大大少于有限元法,但精度与有限元法相近,最大误差仅为1.6%,满足在线计算时的要求.     

偏最小二乘法与人工神经网络耦合的小流域产沙模型

针对小流域侵蚀产沙的复杂性,将偏最小二乘回归与人工神经网络耦合,建立了小流域降雨侵蚀产沙检验模型,并应用于小流域降雨侵蚀产沙预报.采用偏最小二乘法对多维自变量中的信息进行组合和提取,从而得到对因变量解释能力最强并可很好概括自变量信息的主成分,有效克服了变量之间的多重相关问题,实现了对高维数据的降维处理.把提取的主成分作为神经网络的输入,提高了网络的学习效率和稳健性.应用结果表明,偏最小二乘神经网络耦合模型的拟合和检验精度均优于偏最小二乘回归模型和人工神经网络模型精度.     

基于BP神经网络的交流输电线路可听噪声预测模型

可听噪声属于输电线路电磁环境的影响因子之一,其常规预测模型均存在使用条件受约束或预测误差偏大的问题.根据间接预测法的思想,以可听噪声通用表达式中的4个因素为输入变量,可听噪声值为输出变量,建立了三层结构的BP神经网络交流输电线路可听噪声预测模型.以国外多条输电线路可听噪声数据为样本,通过BP神经网络对样本进行训练,运用得到的模型对预测集线路的可听噪声值进行了预测.结果表明,与常规GE公式相比,采用BP神经网络预测模型的预测平均绝对误差要小1.641 4 d B(A).     

人工神经网络预测混凝土柱屈服性能

建立了一种基于人工神经网络的矩形混凝土柱屈服性能预测方法.该方法采用经验模型进行柱屈服性能影响因素的分析来确定该神经网络的输入参数,并通过敏感性分析验证了所选神经网络输入参数的合理性.为验证该方法的可行性与有效性,通过对PEER 210组矩形混凝土柱的屈服性能进行预测分析并与经验预测模型的预测结果进行比较.比较分析结果表明:神经网络预测结果与实验结果吻合程度远高于其他经验预测模型;同时也证实该方法在实验数据稀少的情况下为预测结构在地震作用下的性能提供一条新途径.     

疏排桩-放坡组合支护的应用分析

针对某基坑放坡开挖不满足稳定性要求的问题,提出采用疏排桩与放坡组合支护的方案.通过有限元强度折减法,分析了疏排桩加设前后的土坡稳定性及疏排桩的位置、桩径、桩距、桩长对土坡稳定性的影响.在给定的目标下统一考虑各因素的影响,根据经济性比较得出优化方案.分析表明有限元强度折减法分析非均质土坡稳定可行,加设疏排桩能加深滑裂面、提高土坡稳定性.工程应用表明疏排桩与放坡组合支护的方案是经济有效的支护方式.