汽雾冷却时炉壳温度的BP网络预报

为了提高转炉炉壳的寿命,有必要对炉壳温度进行量化。用有限元计算采集训练数据,以BP网络为手段,对不同水流通量、不同时刻的汽雾冷却转炉炉壳的瞬态温度进行了预报。预报结果同有限元结果对比表明,预报精度可满足工程应用。     

转炉汽雾冷却喷嘴限制射流强化换热特性

构建专用试验设备,测定了转炉炉体汽雾冷却喷嘴在工作状态下的对流换热系数,得到适用于该型喷嘴在转炉炉体汽雾冷却条件下换热系数的经验公式.综合考虑雾化水射流流场特性、壁面热状态和几何条件等因素,研究了炉体汽雾冷却换热特性及其换热机制.结果表明:雾化水射流的冷却效能取决于能否在热壁表面形成连续的液膜,在工程实际中可通过调整多喷嘴配置来实现炉壳表面连续而基本均匀的液膜,以提高冷却功效;在炉体雾化水射流强化换热过程中,存在最佳射流中心面与热壁间距,在此距离附近的整体传热强化效果最佳;对于现有汽雾冷却系统,当炉壳与托圈内壁间隙为140 mm(即射流中心面与热壁距离为83.5 mm)时,其整体传热强化能力最强.     

基于BP网络的土壤水分预报研究

基于一个具有两个输入变量，一个输出变量的误差反传网络结构模型，对土壤床中10cm,20cm,30cm,40cm,50cm等不同深度处的水分含量进行预报，结果表明，该模型的预报精度较高，其最大相对误差为－4．04％，最小相对误差为－0．34％，平均相对误差为1．68％（绝对值），还能同时预报不同深度处的土壤水分。     

BP网络在建筑物变形预报中的应用

为探索人工神经网络用于建筑物变形预报的可能性，采用ＢＰ网络代替传统的回归分析方法，处理变形观测数据。结果表明，当影响建筑变形的因素较多，且各因素间存在非线性关系或关系不确定时，加归分析预报的结果存在较大偏差，ＢＰ网络有助于提高建筑物变形预报的精度。     

基于BP神经网络的切削力预报

切削力预报与控制直接影响切削加工的质量和成本.以多层前馈神经网络为基本结构,以误差反向传播算法(BP算法)为网络训练方法,借助VC 语言建立了切削力预报程序.通过引入共轭梯度法和拟牛顿法优化方法,解决了网络训练中局部最小和过早饱和问题,提高了神经网络的收敛速度和精度,实现了对切削加工过程中切削力的预报和仿真.通过对以两种难加工材料的铣削和磨削试验数据为基础的预报计算,发现传统经验公式方法预报误差偏大,最大相对误差达24.9%,而神经网络方法预报结果最大相对误差为2.01%,证明基于BP神经网络的切削力预报研究具有一定参考和应用价值.     

BP自适应网络在数值预报产品的释用

提出了动态指标库的概念，即不同时次采取不同的指标库，同时次在网络自适应时采取不断更新指标库的阈值，采取先建立消空指标库对样本进行消空，提高了降水样本在整体样本中的概率，然后利用BP(Back Propagation)网络作了大连短期的12h和24h降水有、无的预报，设计了网络的自适应算法，并在降水有、无预报中加以应用。结果表明，此方法比没有做消空样本和网络自适应的降水TS评分有所提高，在数值产品解释应用中更具有实际意义。     

BP网络在建筑物变形预报中的应用

为探索人工神经网络用于建筑物变形预报的可能性，采用BP网络代替传统的回归分析方法，处理变形观测数据．结果表明，当影响建筑物变形的因素较多，且各因素间存在非线性关系或关系不确定时，回归分析预报的结果存在较大偏差，BP网络有助于提高建筑物变形预报的精度．     

改进的BP网络在深基坑变形监测与预报中的应用研究

从信息化施工的必要性及深基坑工程的特点,说明了深基坑变形监测与预报的重要性.因为影响基坑变形的因素很复杂,且传统的计算方法已无法准确地预测其变形.根据深基坑变形的基本特征,运用遗传算法优化BP网络建立了深基坑变形预报模型,通过对比说明优化的适用性和有效性.     

基于BP网络的电力系统负荷预报研究

电力负荷预报在实时控制和保证电力系统经济、安全和可靠运行方面起着重要作用。利用BP(Back-Prop-agation)神经网络模型,通过输入特征数据来训练网络,使其具有预测功能。网络测试的结果表明,该网络能够满足预测要求,可以投入实际应用。     

带钢卷取温度高精度预报模型的研究与开发

针对传统卷取温度模型的固有缺陷，为了提高卷取温度的控制精度，提出一种将人工神经网络和数学模型相结合的新方法，用于热轧带钢卷取温度的预报。离线仿真表明，采用本文所述的方法，能够较准确地预报带钢的卷取温度。     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型.从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性.此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果.     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型。从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性。此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果。     

基于BP神经网络的网络小说排行预测

近年来随着"IP"热潮兴起,网络文学市场发展迅速,逐渐成为文化娱乐行业投资热点.本文将机器学习方法引入到小说排行预测方面,通过网络爬虫获取网络小说信息并提取了影响排行的特征,提出了基于BP神经网络模型进行小说排行预测.针对训练数据的不均衡,本文采用ROC和AUC作为预测评价指标;实验结果表明,基于BP神经网络的网络小说排行预测的准确率较高,相比传统的文学定性分析方法,机器学习预测方法可解释性和应用性更高.     

基于遗传算法和BP神经网络的圆柱壳大开孔接管结构优化研究

应用神经网络模拟GB150-2011《压力容器》标准中圆柱壳径向接管开孔结构参数与强度关系,以开孔接管结构用材最省为优化目标,采用遗传算法对圆柱壳大开孔接管结构进行优化设计研究.经神经网络拟合后,标准算图数据信息归一于一个三层的BP网络并应用于遗传算法程序中,与反复查图和有限元优化算法相比,此优化算法更节省设计时间.经验证,优化后的结构符合强度要求,优化结果满足工程设计需要.     

转炉终点锰预报模型的开发

探讨转炉炼钢终点锰预报模型的建模技术 模型分为两种 :代数学模型和人工神经网络模型 代数学模型采用多元线性回归方法建模 ,该模型简单、可视 ,但仿真结果并不理想 人工神经网络模型在选取适当输入参数的基础上 ,通过对转炉生产的历史数据进行训练 ,求得合理优化的网络权重 ,可对转炉终点锰含量进行离线预报 ,该模型的仿真结果很好 ,当预报误差精度|ΔMn|≤ 0 .0 2 5 %时 ,预报命中率超过 95 % ,为今后转炉的在线锰预报和快速出钢模型的研制提供依据和技术支持     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。     

基于BP神经网络的GFSINS角速度预测

针对无陀螺捷联惯导系统(GFSINS)中传统角速度算法解算精度不高的问题,提出一种可避免复杂代数运算的反向传播(BP)神经网络算法来求解角速度.基于一种十加速度计构型方案,选择10个加速度计输出、采样周期和臂杆距离等12个已知量作为网络输入,以对数法得到的角速度值作为期望输出,针对5 000个样本在不同的隐含层层数、单层神经元个数以及学习步数等情况下进行网络训练,构建了一个含有30个隐含层神经元的3层BP网络模型.采用此模型对角速度进行实时预测,结果表明:网络具有很好的适应能力和实时性,角速度实时预测时间与对数法相当,且其预测精度比对数法提高大约3倍.     

基于BP神经网络的绝缘子表面污秽预测方法

针对传统方法清扫绝缘子污秽的弊端,提出了利用BP神经网络预测绝缘子污秽的方案.通过BP神经网络的输入、输出和参数的选取,在实验室进行数据验证.结果表明:该方法可以准确有效的预测绝缘子表面污秽程度,可以指导现场绝缘子的清扫和优化绝缘子的清扫周期.