基于信息融合的带钢厚度预测控制

通过把轧制力方程和厚度控制方程在小范围内线性化、离散化,用递推最小二乘法辨识出系统的状态空间模型.给出了基于Kalman滤波法的最优信息融合算法,并针对热连轧这个复杂的多变量系统设计了异步信息融合估计算法.将模型用于热连轧机带钢厚度预测中,同时也预测带钢塑性系数Q.最后把实时预测出的带钢出口厚度和带钢塑性系数应用于带钢热连轧厚度控制系统,提高了带钢厚度质量.     

基于径向基函数神经网络的热轧产品性能预测

针对热连轧带钢生产过程中钢材内部一系列复杂的相变与物理变化以及涉及到的海量数据,可利用数据挖掘基本方法建立模型,提取规则,实现热连轧带钢生产的性能预测与评价功能。本文使用径向基函数神经网络建立模型,实现热轧产品性能预测。径向基函数神经网络在逼近能力、学习速度等方面都优于传统BP神经网络,本文将根据二者网络结构说明径向基函数神经网络的优越性。     

热连轧轧制特性分析及轧制力动态锁定策略

为获得热连轧最优厚度控制策略,进一步提高厚度控制精度,基于轧制特性过程分析,分析轧制过程中辊缝、来料厚度和温度等对出口成品厚度的影响,得到各影响因素的厚度影响系数。针对厚度计AGC和监控AGC存在相互干扰的问题,提出一种动态锁定轧制力控制策略,并将优化后的厚度策略应用于某热连轧厚度控制系统中。研究结果表明:对于典型规格的带钢,平均厚度偏差在±25μm范围内厚度预测精度可达96.8%以上,偏差在±50μm范围内厚度预测精度可达98.8%以上,优于现场控制要求。     

热连轧带钢终轧温度的影响因素

在传统传热模型基础上开发了带钢热连轧精轧温度控制模拟软件,系统地分析了穿带速度、带钢粗轧出口温度、带钢机架间厚度、水冷换热系数和工作辊材质等7种因素对带钢精轧出口温度的影响规律;确定了影响带钢终轧温度的主要因素;使用现场实测数据对模拟软件计算精度进行了检验,表明开发的精轧温度控制模拟软件计算精度较高.为建立高精度热连轧带钢温度在线控制模型提供了理论依据.     

基于神经网络的热轧带钢宽度预报与设定

研究带钢热连轧生产线中成品带钢的宽度预报与设定.由于精轧道次带钢宽度变化与板坯化学成分、立辊侧压量、厚度压缩比、钢板温度、速度及张力等因素有关,所以在宽度预报中,按照轧制顺序将整个轧制过程分为两部分:狗骨轧制和随后的精轧道次,前者用数学机理模型建模,后者引入主成分分析-径向基函数(PCA-RBF)神经网络建模.应用效果表明,经过训练的神经网络模型能够有效提高带钢宽度的预报精度,减小成品带钢的宽度波动.     

基于茎区的神经网络方法预测RNA二级结构

RNA二级结构预测是生物信息学的一个重要研究内容.作为预测方法之一的神经网络已被广泛应用于蛋白质结构预测,但在RNA二级结构的应用甚少.本文改进传统预测RNA二级结构的Hopfield神经网络.算法以茎作为网络神经元,通过与相似结构茎区的比对,初始化神经元,并据此修改网络的激励系数.实验把改进后算法与改进前2种算法、M...     

基于粗糙集和神经网络的薄带钢厚度预测

针对传统数学模型预测精轧出口厚度逐渐不能满足精度要求的现象,提出一种基于粗糙集和神经网络的热轧薄带钢厚度预测方法。该方法通过对精轧出口厚度影响因素进行属性约简,找出主要影响因素,以此作为径向基函数神经网络预测模型的输入,从而提高网络的收敛速度与预测精度。仿真结果显示,粗糙集神经网络预测模型优于传统数学模型,并且样本的预测误差基本控制在-0.05~0.05 mm以内。     

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.     

带钢热连轧机KFF—AGC系统的研究与应用

为了提高热轧带钢厚度精度,采用硬度前馈AGC方案,建立了KFF-AGC控制算法的数学模型,并分析了带钢热连轧过程造成厚度偏差的主要原因.结果表明,中等宽度带钢热连轧机应用KFF-AGC系统后,带钢厚度精度明显提高,热连轧机下游末两架精轧机的轧制力波动变化小,且带钢轧制过程更加稳定,为板形控制创造了良好的条件.     

BP神经网络的改进及其应用

在分析BP神经网络建模步骤的基础上,针对BP神经网络某些不足,提出了几点改进措施。首先对原始数据进行了非线性规格化;其次,提出了记忆式初始权值和阀值;最后以确定性系数最大为依据进行参数优选,并将改进后的BP神经网络应用于需水量预测。结果表明,改进后的BP神经网络不仅提高了BP神经网络预测的精度,而且加快了BP网络运行时的收敛速度。     

基于遗传神经网络的数字化渐进成形回弹预测

针对传统BP神经网络具有易陷入局部极小等缺陷,采用遗传算法(GA)对BP神经网络(初始权值、阈值)进行了优化,将人工智能技术和激光扫描测量技术有机结合,建立了金属板材数字化渐进成形回弹预测的遗传神经网络模型,对计算结果与BP神经网络预测结果进行比较,表明遗传神经网络预测值与实测值之间具有很高的相关性和精确度,该模型可用于预测渐进成形工艺参数与回弹量之间的映射关系,为金属板材数字化渐进成形回弹量的预测开辟了一条新的途径.     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

基于神经网络的双连拱隧道拱顶下沉和周边水平位移的滚动预测

在隧道施工过程中,隧道内部的变形是一个复杂的非线性动态系统,利用传统的方法和技术很难揭示其内在的规律.该文用神经网络方法对双连拱隧道的拱顶下沉和周边水平位移进行预测,结果表明神经网络滚动预测隧道的有关变形优于传统的自回归方法.     

基于神经网络的物流量预测

应用不同的人工神经网络模型进行物流量预测。分析影响物流发出量、吸引量和周转总量的各相关因素及神经网络预测的基本思想,研究神经网络静态前馈模型和简单动态模型预测物流量的局限性,认为采用二者结合的综合预测方法能对物流量进行准确的预测。给出动态反馈的实时递归法仿真计算步骤,仿真结果与实际结果比较,具有较高的可信度。     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

连续发酵过程的神经网络预测和控制

给出了神经网络趋化性算法的一种新的实现策略，在此基础上，提出了一种动态递归神经网络建模方法和一种控制作用受限的自学习非线性控制方法。将其用于连续搅拌签式发酵器的状态变量的在线预测和优化控制，仿真结果表明，预测精度高，控制效果好，具有强抗扰和强鲁棒性。在不知道生化过程模型结构的情况下，神经网络模型，可取很容易地通过在线或离线学习到高度复杂的非线性生化过程的输入．输出关系。对于经过最优操作点，稳态增益的符号会发生变化的这类难以控制的生化过程，神经网络非线性控制策略，可以使生化反应器始终维持在最优状况。本方法有望在实际工业过程中得到应用。     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

忆阻神经网络图像处理综述

忆阻神经网络能有效改善传统神经网络电路复杂、不易集成以及能耗大等不足。概述了忆阻器与忆阻神经网络,以及目前忆阻神经网络在图像处理方面的应用。基于忆阻特性,实现神经网络突触的动态可变,使忆阻神经网络比传统神经网络在图像处理领域具备更多优势且应用范围更广。同时,展望了忆阻神经网络未来发展前景。