基于深度信念网络的磷石膏充填材料强度预测

针对目前现有的强度预测方法精度低,提出提取输入参数的深层连接的深度信念网络(DBN)强度预测模型,并采用量子粒子群优化算法(quantum particle swarm optimization,QPSO)来确定DBN的隐含层节点个数和学习率。为获得最优的预测性能,以充填材料的成分及其尺寸作为基于DBN的预测模型的输入,输出充填材料的抗压强度。实验结果显示,该预测方法仅用了1.89 s的预测时间且精度达到99.84%,相比于广泛应用的BP神经网络、RVM(relevance vector machine)、SVM(support vector machine)三种算法在精度和时间上都有显著提升。     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

选择性激光烧结成型件密度模型研究

选择性激光烧结(SIS—selective laser sintering)加工工艺参数的变化会引起成型件密度的变化,进而影响烧结强度．本文应用神经网络方法,建立了加工工艺参数与成型件密度之间的预测模型．应用该模型分析了加工工艺参数(层厚lt,扫描间距dh,激光功率W,扫描速度v,加工环境温度Te,层与层之间的加工时间间隔Ts和扫描方式F)对成型件密度的影响．试验研究结果表明：该模型能定量地反映加工工艺参数与成型件密度之间的关系．据此可通过合理地选取工艺参数得到所需的加工件．     

基于PSO-BP的钻井机械钻速预测模型

机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求.基于此,提出一种人工智能算法与BP(back propagation)神经网络相结合的钻井机械钻速预测模型.首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余.其次,利用粒子群优化(particle swarm optimization,PSO)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(genetic algorithm,遗传算法)-BP等三种模型进行对比分析.最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价.结果表明,PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考.     

基于IPSO-GNN的油田指标预测模型研究

针对油田开发指标预测问题,提出将灰色神经网络(GNN)与改进粒子群算法(IPSO)相结合的组合预测模型(IPSOGNN),通过IPSO对GNN的a、u参数进行优化,改善了GNN的不足,有效地保证了预测精度。以油田开发指标中的含水率作预测算例,仿真结果表明:此模型的预测精度高于灰色预测模型、灰色神经网络以及BP神经网络模型,同时也表明了此方法的可行性与有效性。     

粒子群算法优化下的3D增材印花产品质量神经网络预测模型

针对在3D(three-dimension)增材印花产品的自动化生产中各工艺参数对产品质量影响较大,而产品质量难以实现数字化调控的情况,利用BP(back propagation)神经网络算法建立3D增材印花产品质量的预测模型,通过粒子群算法优化神经网络的初始阈值和权值,进一步提升神经网络的预测精度,实现多工艺参数影响下产品质量的数字化预测。试验结果表明,粒子群算法优化后的神经网络模型的油墨转移率预测误差基本稳定在0.02以内,相比优化前预测精度提高75%。该模型在实际应用中具有一定的准确性和可行性,可缩短工艺开发流程,降低企业生产成本,在实际生产中具有一定的借鉴意义。     

基于GA-BP神经网络与敏感性分析的带钢厚度预测

为提高带钢厚度预测精度,构建了融合GA-BP神经网络和敏感性分析的T-GA-BP预测模型。首先通过循环迭代方式确定较优的BP神经网络隐含层的层数与节点数,再采用遗传算法对BP网络的权阈值进行优化。在此基础上,利用Tchaban算法进行敏感性分析,研究输入层中各工艺参数对带钢厚度的影响程度,筛选出重要参数作为新的输入样本来训练T-GA-BP神经网络模型,以降低网络复杂度。采用实际生产数据进行测试,结果表明,T-GA-BP模型的带钢厚度预测精度要高于BP、GA-BP、RBF、Elman神经网络等其他优化模型。同时,工艺参数敏感性分析结果可为轧制工艺调控方案的制定提供参考。     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

SOA优化BP神经网络的水体氨氮预测模型

为提高水体中氨氮的预测精度,本文提出一种基于SOA改进BP神经网络的预测模型。首先,采用具有较好全局搜索能力和局部搜索能力的SOA算法对BP神经网络的初始权值和阈值进行优化,防止其在训练过程中陷入局部最优值,而后采用优化后的权值和阈值作为BP神经网络的初始权值和阈值对其进行训练。仿真结果表明所提出的新模型对水体中的氨氮含量具有更高的预测精度,且提出模型的收敛速度较传统BP神经网络更快,可更好的应用于复杂水体中氨氮的预测。     

基于AGA-GRNN神经网络的刀具寿命预测研究

针对基于BP神经网络的刀具寿命预测中存在参数数量多、优化工作量复杂、网络参数主观确定等较多预测精度的问题,提出一种改进广义回归神经网络预测模型AGA-GRNN,该模型运用自适应遗传算法(AGA)优化光滑因子.经实例验证,相较于交叉验证法和遗传算法优化的GRNN预测模型,AGA-GRNN刀具寿命预测模型在参数优化效率和寿命预测精度上均较高,本刀具寿命预测模型的构建为实现制造系统中智能刀具调度提供了基础.     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

神经网络技术在织机生产状况预测中的应用

为提高织机生产效率,研究了基于优化神经网络的织机生产运转状况预测方法.针对BP网络模型的缺点,在反复实验的基础上对BP网络参数、算法进行改进,建立了织机生产运转状况预测模型,并与传统的BP神经网络预测方法进行比较.实验结果表明,利用改进的BP神经网络预测织机生产运转状况时,网络收敛速度快,预测精度高,优于传统的BP网络...     

基于误差分级迭代法的基坑变形预测

BP(back propagation)神经网络算法在变形预测方面存在收敛速度慢、学习效率低、容易陷入局部最小值等问题,直接影响预测结果的精准性,利用误差分级迭代法优化的神经网络能够更好地降低误差,提升预测性能.通过对比分析误差分级迭代法与BP神经网络的优势,建立误差分级迭代法模型并编制误差分级迭代法变形预测程序.采用基坑工程实测数据,经过误差分级迭代法优化后神经网络的最大误差为0.96％,与径向基神经网络预测精度相比提高3.5％,利用误差分级迭代法预测基坑变形结果其精准性较高,具有一定的实用价值.     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

Performance Prediction of Carbon Fiber Protofilament Based on SAGA-SVR

The existing optimized performance prediction of carbon fiber protofilament process model is still unable to meet the production needs. A way of performance prediction on carbon fiber protofilament was presented based on support vector regression （SVR） which was optimized by an optimization algorithm combining simulated annealing algorithm and genetic algorithm （SAGA-SVR）. To verify the accuracy of the model, the carbon fiber protofilament production test data were analyzed and compared with BP neural network （BPNN）. The results show that SAGA-SVR can predict the performance parameters of the carbon fiber protofilament accurately.     

基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于混沌优化支持向量机的板形预测与优化

针对带钢热连轧中板形控制问题, 提出了一种基于最小二乘支持向量机模型的预测和优化算法. 在分析最小二乘支持向量机数学预测模型的基础上, 提出了一种改进的变尺度混沌优化方法, 结合实数编码遗传算法, 进行最优模型参数的搜索. 利用在线实测数据对模型进行训练并进行带钢平直度指数的预测, 并对模型输入参数中的控制参数进行优化以实现板形控制的优化. 仿真结果表明, 与BP神经网络相比, 板形预测精度得到提高, 平直度指数优化约40%, 为进一步提高热连轧板形控制精度提供了一种新的有效方法.