热轧工艺对钢管壁厚差的影响

阐述了穿孔毛管产生同管壁厚差的原因,研究了穿孔和轧管工艺对钢管同管壁厚差的影响。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于遗传神经网络的地震综合预测系统研究

提出利用遗传神经网络技术对地震预测建模,其基本思想是利用遗传算法具有全局搜索能力、不易陷入局部极小点的特点优化神经网络的权重和阈值,利用优化的神经网络挖掘地震前兆异常属性和震级之间的潜在的关系,从而实现地震预测.并选取了《中国震例》中的97个样本数据进行实验,震例验证的结果表明,遗传神经网络算法用于大地震综合预测效果较理想.     

基于遗传神经网络的DEM空间内插法研究

在总结传统ＤＥＭ空间内插方法的基础上,提出了基于遗传神经网的空间内插新方法,并结合实例详细讨论了整体遗传神经网络内涵法,剖分遗传内捭组合遗传神经网络内插法,最后指出了三种方法的优缺点及适用条件。     

基于遗传神经网络的入侵检测方法研究

入侵检测作为一种动态的安全防护技术,提供了对内部攻击、外部攻击和误操作的实时保护。作者提出了一个基于遗传神经网络的入侵检测方法,采用遗传算法和BP神经网络相结合的方法遗传神经网络应用于入侵检测系统中,解决了传统的BP算法的收敛速度慢、易陷入局部最小点的问题。研究表明,该方法效果良好,学习速度快,分类准确率高。     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

基于遗传神经网络的个股价格短期预测

针对个股价格的短期预测,提出了一种基于遗传神经网络算法的股票收盘价格分析和预测方法,在允许的相对误差下,所得到的模拟结果表明预测系统能够较好地预测股票价格的趋势.人工神经网络预测股票价格具有良好的应用前景,而遗传神经网络算法则可提高预测的速度和可靠性.     

神经网络的遗传繁殖策略

借助神经网络技术对遗传算法中的后代个体的繁殖进行了研究,介绍了基于神经网络的遗传繁殖新策略,探讨了基于神经网络的遗传繁殖策略的实现,对基于神经网络的繁殖策略还进行了初步实验.数值实验结果表明,提出的基于神经网络的遗传繁殖策略能产生优良的后代个体.     

基于遗传BP神经网络的区域物流需求预测

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题,提出了基于遗传BP神经网络的区域物流需求预测模型。首先,分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系;其次,采用遗传算法优化预测网络中的可变参数,并建立多输入-多输出的BP神经网络多元预测模型;最后,通过实例结果表明该模型具有较高的预测精度和有效度。     

基于遗传神经网络的多元渣系活度预测模型

基于遗传神经优化BP神经网络权值和阈值建立了多元熔渣活度模型.人工神经网络能实现任意函数逼近,结构简单;遗传算法是建立于遗传学和自然选择原理基础上的一种全局优化搜索算法,能根据个体的适应度函数,通过对个体施加遗传操作实现群体内个体结构重组的迭代处理,逐代演化出越来越好的近似解.通过对CaO-SiO2,CaO-SiO2-Al2O3,CaO-SiO2-Al2O3-MgO渣系组元活度的计算和仿真表明,遗传神经网络具有很强的非线性拟合能力,计算结果在不同的情况下均能很好地吻合文献值,因此能够准确预报多元渣系中组元活度值.     

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.     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

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。     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量。结合遗传算法（GA）和误差反馈型神经网络（BP）,建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量。对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%。随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景。     

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MIVM神经网络模型对合金组元活度的预测

为了使用分子相互作用体积模型(molecular interaction volume model,MIVM)准确便捷预测出合金溶液中组元的活度,建立了活度预测的BP(back propagation)神经网络模型和算法,模型的输入层为合金溶液中组元的实验活度系数,输出层为分子对位能相互作用参数,隐含层设定为一层。采用遗传算法优化BP神经网络模型各结构参数,在遗传算法中使用合金溶液中组元的无限稀活度系数的实验值和理论值的偏差作为适应度函数,以偏差最小为目标进行优化以保证BP神经网络的有效性。最后以Pb-Bi,Sn-Bi,Sn-Pb,Fe-Cu二元合金溶液中组元活度预测为例对BP神经网络模型和算法进行验证。结果表明:组元活度预测值与实验值之间的平均相对误差均小于4%,绝对偏差小于0.78,能满足工程计算要求。     

台阶压碴爆破效果遗传神经网络预测

应用遗传神经网络模型对台阶压碴爆破效果进行了预测,增强了预测结果的可靠性。遗传神经网络是人脑的模型,从爆破实例中获取经验知识,并应用专家知识对爆破效果进行预测,取得了符合实际的预测结果,从而为选择爆破控制参数和取得良好的爆破效果提供了依据.