烧结优化配矿模型的设计与软件开发

针对铁矿石烧结配矿的特点,提出2种获得合适配矿方案的方法;应用BP神经网络技术和遗传优化技术分别建立烧结矿质量模拟模型和烧结寻优配矿模型;采用Visual C++6.0与Matlab混合编程的方式,开发烧结优化配矿模型的系统软件.研究结果表明:烧结矿质量模拟模型具有良好的泛化能力和自适应能力,并且预报准确率较高,转鼓强度预报命中率为90%,抗磨强度为86.67%,筛分指数为83.33%;采用烧结寻优配矿模型得到的优化配矿方案既可满足铁矿石供应情况,又可保证烧结矿的质量指标,优化效果明显,烧结优化配矿模型的系统软件实用性强,具有强大的存储、计算、预报和优化等功能.     

基于免疫粒子群混合算法优化BP网络的矿压预测方法

为攻克综采工作面顶板矿压显现规律预测预报的难题,构建一种基于免疫粒子群混合算法优化BP神经网络的矿压预测模型(IA-PSO-BP),针对BP神经网络收敛速度慢和易陷入局部最优的问题,采用免疫粒子群混合算法优化BP神经网络,并选取11种矿压主要影响因素作为模型基础数据,对工作面来压强度和来压步距进行预测。结果表明：IA-PSO-BP网络模型的收敛速度较BP网络模型和PSO-BP网络模型分别提高8倍和2倍,IA-PSO-BP网络模型的预测值与实测值基本吻合,预测结果的相对误差分别约为BP网络模型和PSO-BP模型的1/5和1/3。基于IA-PSO-BP的工作面矿压预测方法具有较快的收敛速度和较高的准确率,实现了工作面初次来压强度、周期来压强度、初次来压步距和周期来压步距距预测,为煤矿井下工作面矿压预测提供了一种新的技术途径。     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

面向行程时间预测准确度评价的数据融合方法

提出BP神经网络融合模型.该模型由三部分组成:初始数据产生模块、BP神经网络数据融合模块、融合结果分析模块.选择四个参数作为该模型的输入变量,其中路段交通流密度和交通量由线圈数据提供,而行程时间估计值与浮动车样本量由浮动车数据提供,并且给出选择这四个参数的依据与原因.最后选择杭州市的一条主干道作为目标路段,采集该路段上的406组数据对该模型进行验证,试验结果表明模型对准确度评价的相对误差仅为4.86％.     

基于神经网络的烧结终点预报的研究

针对烧结终点非线性的特点,采用误差反向传播算法的多层前馈神经网络(BP)来建立其模型,用自适应算法确定学习参数,用改进的BP神经网络的算法求出结构适宜的自适应网络。提出并实践了提高烧结终点BP神经网络预报速度的数据处理方法,基于现场数据采用计算机仿真的结果表明该方法的有效性。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于DNPSO的支持向量机的发动机故障诊断

设定了基于粒子序号和粒子邻居数量的动态邻域粒子群模式,并通过田口试验分析了6种测试函数的优化性能,选定了粒子群算法的惯性权重、粒子邻居数量及加速系数等参数的较优渐变模式,建立了具有较为广泛适应性且运算量相对较低的动态邻域粒子群模型.利用该模型优化了支持向量机的惩罚参数和核函数评估参数,在发动机的故障特征识别过程中,通过与BP神经网络及标准粒子群算法优化参数的支持向量机等分类器的比较,动态邻域粒子群算法优化的支持向量机具有较高的特征识别能力和较强的鲁棒性.     

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.     

基于融合策略粒子群优化BP神经网络的磨煤机出粉量优化

为了优化磨煤机系统参数,提高磨煤机出粉量,结合磨煤机系统参数和出粉量建立误差反向传播算法(BP)神经网络磨煤机出粉量模型,对参数进行软测量.为提高软测量准确度和对参数优化的效果,提出一种新的基于融合策略改进的粒子群优化BP算法,用于磨煤机系统参数和出粉量数据之间的非线性映射,建立估算模型.将估算模型应用于磨煤机出粉量的...     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。