基于ANFIS的软测量模型在浮选中的应用

以浮选过程为研究对象,提出一种基于自适应神经-模糊推理系统的经济技术指标软测量模型。该模型采用主元分析进行输入数据集降维,运用最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统结构参数进行优化设计。该混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明,提出的模型能很好地实现浮选过程经济技术指标的全局预测,满足优化浮选药剂添加的计算要求。     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

基于混沌蚁群算法的连铸二冷参数多准则优化

针对连铸二冷配水参数设置这一多准则优化问题,提出了基于混沌蚁群算法和二维凝固传热数学模型的二冷参数优化方法.采用控制容积法建立的凝固传热模型主要用于连铸过程仿真,研究铸流表面温度分布和参数搜索空间特性.混沌蚁群算法用于解决二冷参数优化问题,具有蚂蚁觅食过程的混沌和自组织特性,克服了一般蚁群算法收敛速度比较慢、容易出现停滞以及全局搜索能力较低的缺点,对解决多准则优化具有较好的收敛性和鲁棒性.应用此方法进行实际铸机二冷参数优化,结果表明可以明显改进铸坯内部质量.     

蚁群算法训练神经网络辨识混沌系统

提出了一种利用蚁群算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较;实验表明:利用蚁群算法训练神经网络进行混沌系统的辨识,能克服BP求解精度低、搜索速度慢、易于陷入局部极小的缺点;与遗传神经网络相比,虽然执行时间有所增加,但求解精度显著提高,可有效用于混沌系统辨识.     

基于改进蚁群算法的船舶主尺度优化

在基本蚁群算法(ACA)基础上重构解空间,并加入混沌映射机制得到改进蚁群算法(IACA).分别用该方法和基本蚁群算法求解同一船舶主尺度(船长、船宽、吃水、型深等)优化问题,并与混沌优化的结果进行对比,结果表明改进蚁群算法搜索效率更高,全局优化稳定性更强.在此基础上,就改进蚁群算法中的参数对主尺度优化的影响进行了分析,发现全局优化结果与参数的选取有直接关系,只有合理设计参数才能得到船舶主尺度优化的全局最优点.     

基于核主元分析和动态递归模糊神经网络的软测量建模

针对软测量建模过程中的误差数据剔除、特征提取,及模型的动态辨识问题,提出基于核主元分析和动态递归模糊神经网络软测量建模方法.首先,利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以确保数据质量;然后利用核主元分析提取系统的非线性主元,作为动态递归模糊神经网络的输入;最后利用新样本数据训练动态递归模糊神经网络.将该方法应用于赖氨酸发酵过程的产物浓度预测,仿真结果表明该方法具有较高的预测精度,满足现场测量要求.     

热轧机有限元与神经网络集成建模

以某钢厂1580热连轧生产数据为基础,提出一种有限元与神经网络集成建模的方法.该方法首先对轧制过程的塑性变形进行有限元建模,然后结合有限元数值分析方法和智能技术的优点,实现有限元和神经网络的集成建模.集成模型中的神经网络模型为有限元模型提供参数调整的依据,并且在神经网络训练过程中使用改进的混沌粒子群优化算法对神经网络进行优化.通过与现场实际生产数据进行比较,验证了该模型的有效性.     

基于蚁群算法的过程神经网络研究

为提高前馈过程神经网络的全局收敛能力和训练速度,提出一种蚁群过程神经网络模型,利用蚁群算法分布式计算、鲁棒性强的特点,将蚁群算法应用于前馈过程神经网络的训练,给出了蚁群过程神经网络的拓扑结构,讨论了蚁群过程神经网络的训练机制,分析了其计算特点.并将蚁群过程神经网络应用于黑龙江省年度GDP(Gross Domestic Product)预测,验证了蚁群过程神经网络的有效性.     

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.     

基于RBF神经网络和RS理论的磨矿分级系统软测量模型

为了提高硫化镍选矿过程的效率并改善选矿产品的质量,运用RS理论研究了某选矿厂磨矿工艺多维数据的属性约简.在建立相应RBF神经网络预测模型基础上,给出了表征磨矿生产过程内在规律的最小知识表达,并基于该模型对选矿生产指标进行了预测.结果表明:磨矿工艺数据可以进行浓缩,生产过程经验操作能够找到相应的理论依据,从而加深了对生产工艺过程内在规律的认识;应用软测量技术获取了球磨机和旋流器内部状态主要关键参数,该模型分析过程相对简单,网络学习训练时间少、学习精度高;仿真结果表明估计值与分析值拟合良好.     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

金矿浮选回收率预测模型

浮选回收率是金矿选矿过程重要的生产指标,目前主要是通过人工化验的方法检测获得,人工检测周期较长,造成金矿厂不能及时把握浮选工艺水平.在大量现场生产数据的基础上,分别采用多元线性回归和BP神经网络的方法,建立了金矿厂浮选回收率的预测模型.预测误差分析表明,BP神经网络预测模型能较好地预测金矿厂的浮选回收率,当预测相对误差在±3%范围内时,模型的预测精度达到91%,对于实际生产具有良好的参考作用.     

基于融合算法优化的卷积神经网络预测方法

由于不同气象条件会影响太阳辐照度的有效利用,这制约了太阳能的应用和发展.为了基于不同站点不同采样时刻的气象属性预测中尺度站的太阳能辐照度,依据传统卷积神经网络的框架,建立了一种新型的卷积神经网络结构幵用于太阳能辐照度预测.为了缓解新型网络由超参数选取不当导致预测性能差的问题,利用融合算法对新型网络的超参数进行优化.为了提高融合优化算法的全局搜索能力,引入帐篷映射对粒子的初始位置和初始速度进行混沌初始化.首先,导入训练集更新新型卷积神经网络框架,训练结束后导入验证集检验当前模型参数下新型卷积框架的性能.其次,混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型的超参数多次检验,直至最优的预测模型在验证集上的性能趋于收敛.最后,辒出模型的最优超参数,建立太阳能辐照度预测模型.基于气象实测数据建立太阳能辐照度预测实验,引入其他两种预测方法进行对比仿真研究,幵尽可能复现了Eustaquio and Titericz团队的预测方法(GBRT)作为太阳能辐照度预测性能的评估基准.实验数据表明:混沌融合算法可以有效地提高新型卷积神经网络的预测性能,所提出预测方法的全年太阳能辐照度的均方误差较GBRT降低25.9%,绝对平均误差较GBRT降低了10.7%;全年太阳能辐照度平均误差率降低了18.4%,误差率小于0.1的样本量增加了21.1%.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

Gabor滤波和蚁群优化BP神经网络的人脸识别

研究了使用Gabor滤波和PCA主成分分析法来实现人脸特征提取并使用蚁群优化BP神经网络进行人脸识别的方法.首先,使用Gabor滤波器对预处理后的图像生成不同尺度和方向下的特征向量,然后使用PCA主成分分析法对特征向量进行压缩,为了提高BP神经网络对表情的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的各参数,最后使用优化后的BP神经网络进行训练和人脸识别.仿真实验表明文中的方法能有效地实现对人脸表情进行分类,且较其他方法具有更高的识别率.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

基于改进鲸鱼算法优化神经网络的飞机空气循环系统建模及故障分析

飞机空气循环系统在飞行过程中很容易出现故障,因此在地面上模拟仿真飞机空气循环系统有着重要意义.首先建立飞机空气循环系统仿真模型,针对该系统建立神经网络模型进行训练;引入PID控制算法调节参数以应对飞机遇到的不同飞行状况;针对神经网络模型引入鲸鱼算法,并运用烟花算法、重启机制和正余弦混沌双弦算法对鲸鱼算法进行改良.结果表明:模型可以模拟飞机引气到排出过程,以及不同情况下飞机空气循环系统4个主要组件的出口温度;神经网络系统可以根据输入指标数据预测不同组件的出口温度,并分辨出飞机空气循环系统是否出现故障及哪里出现故障.改进后的神经网络训练速度加快,准确率提升,明显降低了陷入局部最优值的可能性.     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点,提出一种基于主元分析和模糊聚类的数据预处理算法.采用模糊C均值聚类算法得到聚类中心,进行线形回归从而对过程变量数据进行了预处理.主元分析法则用来进行辅助变量的选取和输入高维向量的降维简化,针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型.根据工业实际生产数据进行的模型校验和误差分析表明,能够满足浮选过程控制的精度要求.