基于递归神经网络的多频预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题，提出了基于局部递归神经网络的多步递归神经网络（MSRN）模型，对时间序列进行了多步预报，用模拟振动数据把MSRN模型用作单步和多步的预报能力，同经典的多层前馈刘经网络进行了比较，并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势，实践表明，用该方法进行多步预报误差小，并具有良好的预报能力。     

基于神经网络的冷连轧机轧制力预报模型

为了提高冷连轧机轧制力预报精度，提出一种解析数学模型结合神经网络校正模型的计算方法，建立冷连轧机轧制力预报模型。采用径向基函数的局部映射和全局线性映射相结合的神经网络校正模型求解带钢变形抗力和轧制变形区的摩擦因数；并采用轧制变形区离散化方法分析轧制变形区内张力、摩擦力及金属变形抗力等在带钢轧制方向上的分布规律，从而建立轧制力在线计算数学模型。现场实测数据离线仿真结果表明，采用此基于神经网络的冷连轧机轧制力预报模型预测轧制力，其预测误差小于8．9％，此模型能用于指导生产实践。     

基于主成分分析和动态神经网络的时间序列预报

本文提出一种基于主成分分析（PCA）和动态神经网络的多变量时间序列预报方法,并对具体实例建立多变量时间序列模型。仿真实验结果表明该网络具有很强的学习能力和泛化能力,适合进行非线性时间序列预报。     

基于BP网络的非线性广义预测学习控制器

本文提出了一种基于ＢＰ神经网络的非线性义预测学习控制器，它由一个ＢＰ网络构成。在整个学习与控制过程中，首先根据被控对象的输出与ＢＰ的学习输出之间的误差来修改网络的权值，以逐步建立被控对象的合理的多步预报模型；然后，根据网络的多步预报输出序列与设定值序列的偏差修改控制律。     

神经网络在工程时间序列预报问题研究中的应用

对岩土工程中时间序列预报问题进行了研究。灰色模机理研究表明，灰色建模存在若干问题，因此，在处理岩土工程中时间序列预报问题时，要慎用灰色系统建模。探讨了岩土工程时间序列与神经网络间的联系，论证了神经网络的函数逼近能力，建立了基于神经网络的岩土工程时间序列预报模型。研究了实例表明，该模型的预报精度高，为解决岩土工程中时间序列预报问题提供了一条崭新途径。     

轧制力预报中的神经网络和数学模型

采用ＢＰ神经网络方法预报热连轧精轧机组轧制力·通过训练数据预处理、利用遗传算法优化网络结构和参数、按钢种划分训练样本等方法,提高了网络的预报精度,优于传统的数学模型方法·ＢＰ神经网络与数学模型相结合的综合神经网络方法,进一步提高了轧制力的预报精度·预测结果与实测数据比较表明,相对误差基本在±７％以内,实现了精轧机组轧制力的高精度预报     

Elman回归神经网络在大坝安全监控中的应用

给出了E1man回归神经网络的网络结构和学习方法。基于E1man回归神经网络能够逼近任意非线性函数的特点，提出了一种基于E1man回归神经网络建立安全监控模型的方法。实验表明，所建立E1man神经网络模型收敛速度快，并且其拟合及预报精度高于统计模型和BP网络模型。     

基于概率神经网络的机组状态多步预报方法

为了解决由单步预报递推运算获得的多步预报存在的预报误差的迭代累积问题，提出了相空间动力学轨道的相似多步预报概念，利用概率神经网络合理分配相似算子，构造了多步预报的概率神经网络结构．然后，以模拟振动数据比较了单步预报神经网络、多步预报神经网络和多步预报概率神经网络的预报能力，并预报了燕山石化大机组停车概率的变化趋势，实践表明该方法具有良好的多步预报能力．     

基于生成型深信度网络的回归算法鲁棒性分析

目前,深度学习在分类问题中取得了很多很好的效果,并开始在部分回归任务得到应用。然而,绝大部分研究重点都集中在相对其他回归算法的预报精度上,而忽视了有实际应用需求的回归算法预报鲁棒性问题。首先基于受限的玻尔兹曼机建立了一个具有3个隐含层的生成型深信度网络多步预测模型;然后,建立了基于单隐含层神经网络、三个隐含层的神经网络以及单核支持向量的典型多步预测模型,并利用4组宁夏地区不同季节的风速数据进行回归算法的稳定性对比实验。实验结果显示,基于受限玻尔兹曼机建立的具有三个隐含层的深信度网络模型的多步预报误差的均值和方差都是最小的。因此,基于生成型深信度网络的回归模型不仅预报精度高,而且此预报算法的鲁棒性也比较好;相对其他三种典型回归算法来说,可以更好地满足风电场风速预报问题的实际工程应用需求。     

机床加工精度的时间序列预报控制

本文阐明了时间序列预报控制的特点和基本原理；提出了在实现误差自动补偿的闭环系统中对测得的时间序列进行修正的方法。在建立的时序数学模型中考虑了机床加工中的确定性误差和随机误差。数学模型中的参数是时变的，以使加工误差最小化。文中提出了对多轴自动机床加工精度实行预报控制的方法、分析了数学模型和预报公式，并对采用时序预报控制的明显效果作了对比说明。     

基于遗传神经网络的冷连轧机轧制压力模型

对鞍网冷轧厂四机架冷连轧机轧制压力模型进行了认真分析,指出了其存在的缺陷,把遗传算法（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ,简称ＧＡ）和神经网络有机结合,设计出了具有遗传算法性能参数优选、网络结构参数优选、网络性能参数优选以及ＧＡ－ＢＰ算法联合进行网络权值修改几种功能的遗传神经网络,建立了基于遗传神经网络的新冷连轧机轧制压力模型,通过原模型计算值、新模型计算值与实测值之间的对比分析可知,遗传神经网     

基于人工神经网络铝箔轧机轧制力模型

彩用ＢＰ神经网络原理对１３５０ｍｍ铝箔轧机轧制数据重新处理，建立了基于人工神经网络的轧制务模型。结果表明，用人工神经网络轧制力模型的计算值与实测值相比偏差〈３％该模型较真实地反映了轧制过程的特征。     

基于RBF神经网络的热连轧精轧厚度的预报

采用RBF神经网络方法建立热连轧精轧的厚度模型，通过比较有、无理论模型输入的神经网络厚度模型确定出理论数据在神经网络应用中的重要性。通过比较BP神经网络和RBF神经网络分别建立的厚度模型凸现出RBF神经网络厚度模型的优越性，并在应用过程中解决了过拟合问题。     

神经网络辨识方法及其在轧钢控制中的应用

利用人工神经网络的辨识理论和方法,进行轧制过程数学模型参数的在线辨识与修正.首先对轧制压力模型和温度模型进行分析,得到适于应用神经网络进行辨识和修正的轧制模型函数形式,选择并比较最速下降、递推最小二乘及共轭梯度训练算法,实现了离线的和在线的仿真与应用.仿真结果表明,将人工神经网络应用于轧钢过程的轧制模型辨识可以大大提高模型预报精度.     

基于径向基神经网络的薄板平整轧制力预报模型

冷轧薄板在平整轧制时具有轧件厚度薄、压下率小的特点,其平整轧制力往往计算困难,精度难以保证.针对上述情况,提出一种基于参数修正的轧制力数学模型来计算其平整轧制力.同时,为进一步提高计算精度,运用RBF(Radial Basis Function)神经网络来预测该平整轧制力数学模型的计算误差,并将该误差与数学模型的计算值相结合,完成对其的修正.离线仿真结果表明,薄板平整轧制力数学模型在经过自身修正参数及RBF神经网络的2次修正后,计算精度可达到6%以内,具有较高的工程应用价值.     

基于小波分析的多RBF神经网络轧制力设定模型

带钢热连轧生产过程中,轧制力预设定时的轧制力信号影响因素多、关联复杂,难以建立精确的机理模型.为此,文中应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的子信号,并建立了一个多RBF神经网络模型.模型中每个子网络分别对一个子信号进行建模,最后将各子网络输出综合为轧制力设定信号.各个子信号的影响因素不同,每个子模型输入参数和输出参数亦不同,从而能真实地反映轧制力变化的内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP神经网络的10%降低到了5%.     

基于小波多分辨分析的新型多RBF网络轧制力设定模型

带钢热连轧生产过程中,影响因素多、关联复杂,轧制过程控制的精确模型难以建立,其中轧制力的预设定是重要问题之一,各种影响因素都会在轧制力的波动中有所体现.本文应用小波多分辨分析方法,将轧制力分解重构为对应于不同影响因素的不同频率成分子信号,并建立了一个多RBF网络模型,模型中每个子网络分别对一个信号成分进行建模,最后子网络输出被综合为轧制力设定信号.因为各个子信号影响因素不同,所以每个子模型输入参数不同，输出参数也不同,能真实地反映轧制力变化内在机理,具有明确的物理意义.仿真实验表明,这种建模方法降低了系统维数,能有效提高网络学习能力,轧制力预设定误差率从BP网络的10％降低到了5％.     

基于人工神经网络的扁钢轧制力模型

根据ＢＰ人工神经网络算法原理,结合某厂型钢轧机轧制扁钢时的轧制力实测数据,对扁钢轧制力进行建模,结果表明,神经网络用于轧制力建模是可行的,所建模型系统误差〈１％,模型计算值与实测值的偏差,４％,较好地反映了实际轧制过程的特征。     

热连轧轧制力模型系数回归的新方法

热连轧过程中,为了提高轧制力预设定精度,提出一种新的修改轧制力模型参数的方法·利用ＢＰ神经网络对以往的大量生产数据进行训练、预测·对ＢＰ神经网络的预测结果利用最小二乘法,回归出轧制力模型中的温度相关系数ｍ１和变形速度相关系数ｍ３·现场生产实验证明,应用修改后的轧制力模型系数,提高了轧制力预设定精度,从而使头部厚度精度有较大提高·对于象本溪钢铁公司热连轧厂这样的老企业,这种新方法更具有在线应用的可行性·