基于预测模型的浮选过程pH值控制

矿浆pH值是泡沫浮选过程中的一个非常重要的被控量.目前,多数选厂的矿浆pH值控制基本是依靠现场工人定期对矿浆样本进行pH值测量,凭主观经验对pH调整剂进行调整.由于操作工人的主观性和随意性的影响以及矿浆样本pH值测量与药剂调整间存在的较长的时间滞后,矿浆pH值波动频繁,很难使矿物浮选保持在一个稳定最优生产状态下运行.为了使矿浆pH值保持在一个期望的生产状态,基于浮选泡沫表面视觉信息提出了一种新的矿浆pH值控制方法,分别采用基于泡沫视觉信息的自适应遗传混合神经网络AG-HNN和自适应遗传PID(AG-PID)控制方法建立了矿浆pH值预测模型和pH值控制模型,基于所建立预测和控制模型对浮选药剂用量进行调整,解决了浮选矿浆pH值波动问题.工业浮选现场的实验结果表明该方法可以使矿浆pH值保持在一个期望的范围内,有效提高浮选性能.     

基于机器视觉的矿物浮选pH软测量方法

针对泡沫浮选过程中人工检测矿浆pH值严重滞后以及pH检测仪电极容易积垢导致测量不准等问题,提出基于机器视觉的浮选矿浆pH软测量方法。确定了与矿浆pH值最相关的图像特征泡沫颜色、尺寸和流速;采用减法聚类确定模糊系统的初始结构,并选择变尺度分级混沌方法优化隶属函数和输出权值,最终建立模糊神经网络pH软测量模型。工业实践证明应用该模型在线检测浮选矿浆pH值的可行性。     

自适应差分进化算法优化BP神经网络的时间序列预测

针对BP神经网络学习算法随机初始化连接权值和阈值易使模型陷入局部极小点的缺点,设计了一种自适应差分进化算法优化BP神经网络的混合算法。该混合算法中,差分进化算法采用自适应变异和交叉因子优化BP神经网络的初始权值和阈值,再用预寻优得到的初始权值和阈值训练BP神经网络得到最优的权值和阈值。首先对改进的自适应差分进化算法运用测试函数进行性能测试,然后用一个经典时间序列问题对提出的混合算法进行了检验,并与一般的神经网络、ARIMA预测模型及其它混合预测模型进行了对比,实验结果表明,本文提出的混合算法有效并且明显提高了预测精度。     

一种浮选泡沫视频图像自适应筛选方法

针对浮选视频图像获取过程中出现的图像质量问题,提出一种浮现泡沫视频图像自适应筛选方法。首先通过分析浮选图像纹理特征选取评价参数,然后采用改进BP神经网络建立图像质量评判模型,对不同质量图像进行评判筛选。实验证明,该方法筛选速度快且识别正确率和效率高,筛选后的图像分割效果好。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

启发式动态规划在糖厂澄清工段pH值控制中的应用

糖厂澄清工艺是一个复杂的物理化学反应过程,具有强非线性、时变大时滞、多输入输出等特点,对其建立精确的数学模型和实现pH值的稳定控制非常困难.为此,基于模糊神经网络和启发式动态规划(HDP)控制器,构建了模糊神经网络模型.该模型的具体实现过程是将HDP优化方法应用于澄清工段,模拟试验装置中的中和pH值控制.试验表明,该控制系统取得了很好的控制效果,具有很强的鲁棒性.     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

基于图像特征的锑浮选矿浆pH值预测控制

适宜的矿浆pH值是泡沫浮选高效生产的关键。针对浮选矿浆pH值无法在线检测和控制滞后的问题,提取pH关联泡沫表面敏感特征,建立了基于仿射传播聚类(AP)的多模型最小二乘支持向量机(LSSVM)软测量模型;提出一种基于差分进化(DE)的在线支持向量回归(OSVR)pH值预测控制方法,离线建立和在线校正pH值预测模型,采用DE优化方法求解预测控制决策变量实现pH值实时控制。金锑浮选工业数据表明所提出的控制策略稳定了矿浆pH值,减少了药剂消耗。     

基于ABC-BP模型的丹江水源地水质监测系统设计

为促进秦岭地区生态环境保护,确保"一江清水送京津",设计了基于ABC-BP模型的丹江水源地水质监测系统;该系统通过ZigBee和4G无线网络对pH值、DO、导电率、水温等水质数据进行采集和传输,并基于BP神经网络建立了水质参数预测模型,为减小预测误差,采用人工蜂群算法(ABC算法,artificial bee colony algorithm)对BP神经网络预测模型的权值和阈值进行优化,建立了ABC-BP水质参数预测模型;试验结果表明,该算法与BP神经网络算法相比误差减少了45.8％,系统实现了pH值、DO、导电率、水温等水质参数的实时显示和预测功能,能更好地对水源地水质进行智能监测.     

基于构造性神经网络的时间序列混合预测模型 *

针对传统时间序列预测模型不适应非线性预测而适应非线性预测的 BP算法存在收敛速度慢 ,且容易陷入局部极小等问题 ,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型 (覆盖算法 )得出的类别值对统计时间序列模型的预测值进行修正 ,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型 ,涵盖了实际问题的线性和非线性两方面 ,提高了预测精度。将该模型应用到粮食产量的预测中 ,取得了较好的预测效果。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于AHGA+BP的神经网络混合学习策略

在自适应递阶遗传算法(AHGA)中融入BP操作可以在对神经网络结构进行优化的同时,充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域,并利用BP算法沿误差最速下降方向在极值点附近快速搜索,从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。     

基于实数编码遗传算法的神经网络成本预测模型及其应用

在生产过程中,影响产品成本的因素多而复杂,因素之间相互影响,存在耦合现象,因此准确预测成本是一个重要又难以解决的问题.通过遗传算法(Genetic Algorithm)与误差反向传播(Error Back Propagation)神经网络相结合,提出了用实数编码的自适应变异遗传算法训练神经网络权重的混合算法,避免了传统神经网络易陷入局部极小的缺点.以矩阵形式表示产品成本组成,建立了产品成本组成模型,以此为基础建立了考虑成本因素之间互相影响的神经网络产品成本预测模型,并成功应用于某钢铁企业产品成本的预测,提高了预测精度.     

结合小波变换与改进SSA优化小波神经网络的电力负荷预测

电力负荷预测是输电网络扩展和规划及合理电力调度的关键手段。针对电力负荷时间序列的非线性和复杂性特征,提出结合小波变换与改进麻雀搜索算法优化小波神经网络的电力负荷预测模型ISSA-WNN。设计改进麻雀搜索算法ISSA对小波神经网络的关键参数初值寻优,有效解决梯度调参易陷入局部最优及对参数初值敏感的不足,提升模型学习能力。对标准麻雀搜索算法SSA改进,引入Logistic-Tent混合混沌种群初始化、发现者/警戒者自适应更新、跟随者可变对数螺旋更新和高斯-柯西混合变异策略提升算法寻优能力。利用小波变换对电力负荷样本分解与重构,降低负荷时序的无序性和波动性,在此基础上构建新的电力负荷预测模型ISSA-WNN。实验结果表明,与标准小波神经网络模型WNN和标准麻雀搜索算法优化小波神经网络模型SSA-WNN相比,预测模型ISSA-WNN的平均绝对百分比误差和均方根误差指标值平均可以降低18.42%和21.21%,其拟合能力更强,预测性能更加稳定。     

遗传神经网络预测模型的设计及应用

分析遗传算法（ＧＡ）及ＢＰ神经网络（ＮＮ）的理论基础,提出了ＧＡ与ＮＮ结合的主要方式和步骤。讨论了基于遗传神经网络的建模思路,主要针对矿石可选性预测、选矿生产指标预报问题,建立相应的遗传神经网络模型。论述了原始数据预处理的方法和ＧＡ－ＢＰ神经网络的设计。通过实例验证,模型的预测精度达到９０％以上。     

A hybrid approach based on neural networks and genetic algorithms for detecting temporal patterns in stock markets

This study investigates the effectiveness of a hybrid approach based on the artificial neural networks (ANNs) for time series properties, such as the adaptive time delay neural networks (ATNNs) and the time delay neural networks (TDNNs), with the genetic algorithms (GAs) in detecting temporal patterns for stock market prediction tasks. Since ATNN and TDNN use time-delayed links of the network into a multi-layer feed-forward network, the topology of which grows by on layer at every time step, it has one more estimate of the number of time delays in addition to several control variables of the ANN design. To estimate these many aspects of the ATNN and TDNN design, a general method based on trial and error along with various heuristics or statistical techniques is proposed. However, for the reason that determining the number of time delays or network architectural factors in a stand-alone mode does not guarantee the illuminating improvement of the performance for building the ATNN and TDNN model, we apply GAs to support optimization of the number of time delays and network architectural factors simultaneously for the ATNN and TDNN model. The results show that the accuracy of the integrated approach proposed for this study is higher than that of the standard ATNN, TDNN and the recurrent neural network (RNN).     

基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测

针对“随着预测距离的增加,旅行时间预测的难度加大”的问题,提出了一种基于时空特征向量的长短期记忆（LSTM）和人工神经网络（ANN）的综合预测模型。首先,将24 h切分为288个时间切片,以生成时间特征向量;然后,基于时间切片建立LSTM时间窗口模型,该模型可解决长期预测的窗口移动问题;其次,将公交线路切分为多个空间切片,并使用当前空间切片的共同平均速度作为瞬时速度,同时将每个空间切片的预测时间用作空间特征向量,并将其发送到新型的混合神经网络模型LSTM-A中,该模型结合两种预测模型的优点并解决了公交旅行时间预测问题;最后,基于实验数据集进行了实验和测试：将公交站点间的预测问题划分为线路切片预测子问题,并针对每个相关的子问题引入了实时计算的概念,从而避免了复杂路况带来的预测误差。实验结果表明,所提算法在准确性、适用性方面均优于单个神经网络模型。综上,所提的新型混合神经网络模型LSTM-A能从时间特征的维度实现长距离到站预测、从空间特征的维度实现短距离到站预测,从而有效地解决了城市公交旅行时间预测问题,避免了公交车辆的远程依赖和错误积累。     

基于径向基函数神经网络的多级离心压缩机混合模型

大型离心压缩机作为多影响因素和强非线性的复杂系统,其性能的准确预测难以实现.针对这一问题,结合径向基函数(RBF)神经网络,本文建立了多级离心压缩机性能预测的混合模型.首先基于热力学第一定律和压缩机能量损失机理建立了多级离心压缩机性能预测的机理模型.该模型无需任何实验确定的性能曲线,完全由压缩机的几何结构参数预测出压缩机在设计工况和非设计工况下的性能.然后利用RBF神经网络修正机理模型的误差,并通过对RBF神经网络的不断更新,进一步提高了模型的预测精度和适用性.将所建立的混合模型应用于实际的离心压缩机,结果表明该方法具有良好的预测性能.     

基于自适应学习率BP神经网络的火点定位模型

为了解决传统BP （Back Propagation）神经网络收敛较慢的问题,通过BP神经网络搭建火点预测模型,采用一种自适应学习率的方法改进BP神经网络,经比较该算法收敛较快,模型输出可达到预期效果.同时利用现场可编程逻辑门阵列（FPGA）的动态可重构技术实现了改进后的神经网络,通过仿真和结果测试,该设计在预测结果的基础上又大大减少了预测时间,为环保预测、检测轨迹规划提供了一定的理论基础.     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.