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.     

基于有限元分析的中间坯温度预报策略

在辊道运输过程中,中间坯上、下表面的换热边界条件不同,使表面温降过程存在差异,影响到精轧入口温度的预报,对厚度设定模型的精度也会产生影响。为提高模型精度,采用有限元法对传热过程进行系统分析,基于分析获得轧件辊道停留时间、粗轧出口温度及轧件厚度对表面温度的影响规律,进一步通过拟合得到轧件到达精轧入口时表面温度,并对轧件平均温度预报模型进行优化。研究结果表明:优化模型的预测精度能够有效满足实际控制要求。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于粗糙集与神经网络的机场气象新型预测模型

针对民用机场多因素气象预测问题的复杂性,提出了一种基于粗糙集—RBF神经网络模型.该模型利用粗糙集理论约简气象影响因素,提取关键因素作为网络的输入,简化了网络结构.实例验证,该模型的学习训练速度和预测精度远优于传统的RBF神经网络模型.     

基于RBF的碟式太阳能集热器温度预测研究

影响碟式太阳能集热器出口温度的因素较多,采用传统数学方法模拟较为复杂.利用RBF神经网络建立碟式太阳能集热器出口温度预测模型,为提高RBF的预测精度和学习效率,采用最近邻聚类算法选取基函数的中心,应用实际数据进行网络训练,网络预测结果较为准确.将本算法与传统的RBF神经网络进行仿真预测对比,本算法的结果和算法学习效率都要好于传统的RBF神经网络,验证了该算法的可行性和有效性.     

基于灰色关联与神经网络的瓦斯含量预测研究

为了解各影响因素对煤层瓦斯赋存规律的影响,准确预测煤层瓦斯含量,在分析潘一东勘探钻孔资料的基础上,基于灰色关联分析了影响13-1煤层瓦斯含量的各因素,确定了煤层埋深、顶板岩性、煤层厚度和地质构造是影响煤层瓦斯含量的主要因素;利用神经网络方法建立了煤层瓦斯含量预测模型,结合实际数据,对预测模型进行训练与检验。结果表明:预测精度较高,验证了基于灰色理论与神经网络预测模型的可靠性。     

AdaBoost-BP模型在大坝变形预测中的应用

针对传统BP神经网络自身存在局部极小值及模型的泛化能力差时预测精度无法满足实际需求等的不足,本文用AdaBoost算法优化传统的BP神经网络得到AdaBoost-BP预测模型,可以减小局部极小值的影响,增强了模型的泛化能力,提高模型的预测精度.示例证明,AdaBoost-BP预测模型比传统的BP神经网络预测模型拥有更高的预测精度.     

基于优化广义回归神经网络的碟式太阳能温度预测研究

为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.     

基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中，分解炉出口温度是非常重要的工艺参数，为了应对出口温度变量的多样性，文章提出一种核主成分分析(kernel principal component analysis, KPCA)与双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的，将降维后的主成分作为BiLSTM神经网络的输入，分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练，得到分解炉出口温度预测模型。通过对比验证表明，使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。     

基于粗糙集和神经网络的空军航材消耗预测方法

针对空军航空器材消耗受某些影响因素的冗余性、非定量性以及消耗预测模型中很难体现问题 .分析了影响航材消耗的因素 ,利用粗糙集知识约简方法去除冗余 ,选择主要影响航材消耗的因素 ,利用神经网络建立消耗预测模型 .最后对该模型的预测效果与直接神经预测的效果进行了比较 ,显示了该模型的有效性和实用性 ,为航材消耗预测提供了一种新的有效决策方法 .     

一种基于粗糙神经元的神经网络预测算法

根据粗糙集理论的上、下边界,在神经网络预测模型中引入粗糙神经元,建立了一种新的BP神经网络,它由传统神经元和粗糙神经元组成。仿真实例中将其应用于降水量的预测控制,研究显示了该网络具有良好的克服偶然因素的能力以及较强的预测准确率。     

基于粗糙集和神经网络的空军航材消耗预测方法

针对空军航空器材消耗受某些影响因素的冗余性、非定量性以及消耗预测模型中很难体现问题．分析了影响航材消耗的因素，利用粗糙集知识约简方法去除冗余，选择主要影响航材消耗的因素，利用神经网络建立消耗预测模型．最后对该模型的预测效果与直接神经预测的效果进行了比较，显示了该模型的有效性和实用性，为航材消耗预测提供了一种新的有效决策方法．     

基于贝叶斯神经网络的带钢厚度预测与控制

采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量.     

基于SVM和神经网络组合预测模型的物流需求预测

物流需求的定量数据是区域物流发展政策和规划的重要依据,影响物流需求的因素很多,传统的预测方法无法全面考虑各种因素,预测精度较低。为了提高物流需求预测的精度,采用组合预测的方法,建立一种基于支持向量机和神经网络的组合模型。首先采用支持向量机进行预测得到预测基本数据,然后通过BP神经网络进行残差修正,通过算例仿真分析,结果表明组合预测模型具有更高的精度,是一种有效的预测方法,为物流需求预测提供了新的思路。     

基于模糊聚类的粒子群神经网络预测卷取温度

影响热轧带钢卷取温度的因素多而且复杂,采用传统的温度预测模型难以达到较高的精度。为了满足卷取温度高精度预测的要求,将模糊聚类分析、神经网络、粒子群算法结合起来,提出了一种基于模糊聚类的粒子群神经网络用于预测卷取温度。运用现场实际数据测试表明,该方法预测卷取温度效果良好。     

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.     

基于模糊聚类的粒子群神经网络预测卷取温度

影响热轧带钢卷取温度的因素多而且复杂,采用传统的温度预测模型难以达到较高的精度.为了满足卷取温度高精度预测的要求,将模糊聚类分析、神经网络、粒子群算法结合起来,提出了一种基于模糊聚类的粒子群神经网络用于预测卷取温度.运用现场实际数据测试表明,该方法预测卷取温度效果良好.     

基于GABP技术的PCA弥苴河水质预测

针对传统的水质预测方法中由于因子的多重相关性而造成的预测精度偏低的问题,提出了一种将主成分分析法(PCA)和遗传算法优化的BP神经网络(GABP)相耦合的水质预测方法.利用主成分分析法提取对水质因子影响较强的综合成分,克服了传统水质预测方法中信息冗余的问题.在对大理弥苴河水质进行大量实际监测的基础上,分别采用PCA-GABP神经网络,GABP神经网络以及传统的BP神经网络3种模型的方法,建立了弥苴河水质高锰酸盐指数的的预测模型.通过数据预处理,筛选了600组数据进行训练学习和测试.通过对3个模型的预测误差分析对比,可以得出PCA-GABP神经网络预测模型精度更高.     

基于粗糙集__神经网络的客户价值预测

首先找出对客户价值有影响的一些因子,然后利用神经网络与粗糙集理论的优势互补,采用粗糙集对数据进行预处理,构建基于粗糙集-神经网络的客户价值预测模型,并依据此模型进行了验证评价,结果表明,本文提出的模型用于客户价值预测是有效的.     

自适应变异粒子群优化BP的短期风电功率预测模型

针对反向传播(BP)神经网络预测模型在风电预测中预测精度低、输入变量多的问题,提出一种基于互信息的自适应变异粒子群优化BP的短期风电功率预测模型.首先,采用互信息筛选出原始数据中与输出功率相关度较大的影响因素,减少冗余信息;然后,引入具有自适应惯性权重系数和变异因子思想的粒子群算法对预测模型进行优化.结果表明:与传统预测模型相比,该预测模型具有收敛速度快、预测精度高等特点.