采用免疫BP算法的模糊神经网络PID控制器

文章在传统PID控制器的基础上,结合模糊控制和神经网络控制理论设计出自适应模糊神经网络PID控制器,并将免疫反馈机制应用到BP学习算法中,通过自适应调整学习速率,改善算法的收敛性;通过Matlab仿真验证了引入免疫反馈机制的BP算法的优越性.仿真及实际应用结果表明,采用免疫BP算法的模糊神经网络PID控制器响应速度快,...     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

轧制计划的优化模型及其应用

对于钢铁企业热轧生产控制计算机系统中的实际轧制计划初选问题,即板坯库倒垛问题,提出了一个新的非线性０－１整数规划数学模型,通过实际应用表明,该数学模型与原有的启发式经验模型相比,效果显著。     

BP神经网络在热轧中厚板力学性能预测中的应用

基于神经网络原理,采用BP算法训练网络,建立热轧控制参数(轧制温度、化学成分、变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明,将神经网络模型应用于热轧控制预报,具有现实意义。     

遗传神经网络在PQF轧制工艺设计中的应用

基于遗传神经网络建立PQF轧制工艺模型.根据工艺要求利用最大最小值归一法对数据进行预处理.利用遗传算法的全局搜索优化BP网络的初始权重,避免BP算法陷入局部收敛,改善收敛速度.实验表明,将建立的模型应用于PQF轧制工艺设计中,能预置PQF自动化控制参数,达到良好的预测效果.     

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。     

神经网络在深基坑变形监测中的运用

深基坑变形监测作为变形监测中十分重要的内容,其技术和方法也在随着科技的发展而发生积极的变化。本文综述了深基坑变形监测的数据处理,提出了采用BP神经网络算法进行数据分析及预报。文中详细介绍了神经网络算法,并重点阐述了BP神经网络算法的原理。针对传统BP神经网络算法存在的缺陷,通过对初始权值选取进行了改正,并将小波基函数作为改进算法的激活函数,有效避免了神经网络陷入局部过小的问题。最后,通过工程实例对传统的BP神经网络算法和改进的BP神经网络算法进行分析和比较,结果表明,改进算法的预测值与实测值基本吻合,预测结果更加精确。     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

BP神经网络的算法及改进

本文介绍了目前人工神经网领域中BP神经网络的特点及其算法原理,通过分析BP网络算法的缺点,提出BP算法的改进方法。从而加快了网络的收敛速度,优化了网络的拓扑结构,最后对BP网络在实际中的应用进行了讨论。     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.     

用文化算法改进的RBF神经网络在语音识别中的应用

针对传统的RBF网络求取隐层基函数中心的K-均值聚类算法的缺点,利用文化算法的全局搜索性能,将文化算法用于语音识别系统的RBF网络的训练过程中,基于实验数据,指出该方法的识别结果较k-均值聚类算法有了明显的改善。     

生产线复杂场景条件下的动目标提取方法

针对重轨生产线钢坯检测所涉及的钢坯提取问题,提出了一种改进的交互式图论分割方法.首先用基于颜色差异的改进的K均值聚类算法将人工标记的种子进行精确地初步分类;然后使用改进的图论分割算法,将钢坯目标从复杂场景中分割出来;最后将分割结果进行边缘校正和去噪处理.实验结果表明:该算法充分利用了图像的区域特征和边缘特征,提高了分割的质量和速度,分割结果满足实际应用的需求.     

基于样本优化的神经网络方法在储层裂缝识别中的应用

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高。为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系。在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类。最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测。将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法。     

驾驶员转向特性分类与辨识方法对比研究

针对汽车驾驶员转向特性分类与辨识问题,基于CarSim仿真平台对研究方法进行了初步探索。设计了转向工况仿真试验,采集试验数据,根据车辆最大横摆角速度,使用K-means聚类算法对驾驶员转向特性进行分类。在Matlab软件环境下分别采用学习向量量化(LVQ)神经网络、BP神经网络、支持向量机(SVM)建立驾驶员转向特性辨识模型,并对3种网络建立的辨识模型进行测试试验和比较。试验结果表明:3种辨识方法均具有较高的辨识精度,其中支持向量机方法在汽车驾驶员转向特性辨识方面具有一定的优势。     

基于聚类与神经网络的无线通信联合调制识别新方法

针对现有基于聚类算法的信号调制识别在低信噪比时识别率低的缺点,文中采用聚类算法提取信号特征参数,通过变梯度Polak-Ribiere BP修正算法对神经网络进行训练,以提高收敛速度,改善在低信噪比条件下网络识别性能,实现对基于星座图调制方式信号的调制识别,仿真结果表明,在低信噪比条件下,调制识别率和单独采用聚类算法或基于BP算法的神经网络识别时比较提高30%以上,在信噪比为4d B条件下识别率可达到90%,且系统易于实现,在信号调制识别中具有广泛的应用前景。     

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。     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于燃料比最优的高炉喷煤设定值多目标优化

为了降低高炉炼铁的能耗,节约成本,将高炉炼铁过程信息、专家经验与智能模型相结合,提出基于燃料比最优的高炉喷煤设定值多目标优化方案。以燃料比最优为优化目标,炉温预测指标为约束条件,喷煤量为决策变量,采用基于K-均值聚类的径向基神经网络建立多目标优化模型,并通过基于NSGA-Ⅱ算法的多目标优化方法,获取尽可能使多个目标同时达到最优的Pareto最优解。结果表明,该优化方案可以在保证炉温良好的前提下,决策出使燃料比达到最优的喷煤设定值,大大降低能耗,节约成本。不仅为高炉实际生产提供操作指导,也为高炉冶炼的优化运行奠定了基础。     

基于时滞BP神经网络的铸坯表面温度预报研究

为了快速准确地计算连铸方坯表面温度,提出了基于时滞BP神经网络的温度预报模型.由于传统的基于机理的模型需要直接求解偏微分方程,导致模型的求解消耗时间过长.为了满足连铸动态控制与优化的需求,研究了连铸方坯的传热机理,根据连铸过程热传导的特点,建立了基于时滞BP神经网络的温度预报模型,以历史时刻的表面温度和当前时刻水量作为神经网络的输入,以下一个时刻表面温度作为神经网络的输出.该模型可以快速预报连铸方坯表面温度的动态变化情况.并且依据某工厂的真实数据进行实验,表面温度的预报最大相对误差小于0.1%,取得了较好的实验结果.该方法可以准确地预报连铸坯的表面温度.