基于免疫神经网络模型的油气浓度预测研究

将免疫算法与神经网络理论相结合，提出了免疫神经网络预报模型以预报油库油气浓度。该模型首先用历史数据对网络进行训练，然后利用训练好的模型进行油气浓度的趋势预测，最后结合某油气预报实例检验了免疫神经网络模型的可行性。结果表明，该智能预报模型能够较好地识别油气扩散的变化规律，预报精度明显高于神经网络模型。     

具有NN 分级误差补偿器的轧制力预报模型

为提高冷轧带钢质量，必须建立精确的轧制力预报模型。介绍了带有神经网络参数辨识器的轧制力预报模型，并采用神经网络构造误差补偿器，通过按时间跨度分级的数据处理过程，形成长期和短期训练数据集，结合相应的网络训练机制，实现模型预报误差的分级补偿，仿真结果表明，该预报模型能有效地提高预报精度。     

模拟退火免疫算法及其在铁水含硅量预报中的应用

本文提出了一种模拟退火免疫算法，该算法借鉴生物免疫系统的免疫识别、多样性及学习功能，利用基于模拟退火的浓度调节抗体多样性保持机理克服遗传算法易早熟收敛的缺点．将此方法用于优化铁水含硅量神经网络预报模型中的连接权值和阈值，可避免陷入局部极小，从而得到最佳神经网络，提高铁水含硅量预报精度. 仿真结果证明了方法的有效性．     

基于三次样条权函数神经网络的钢坯温度预报

针对传统神经网络对铜坯温度预报存在的一些缺点,如：隐层数不易确定．网络训练对初值敏感等。该文利用三次样条权函数神经网络建立了钢坯温度预报模型．克服了传统神经网络的缺点。仿真结果表明该模型具有较高的精度。     

BP神经网络在地震预测中的应用研究

为了对未来地震趋势进行预测,提出一种BP神经网络预测方法。利用Matlab建立BP神经网络模型,并以滇西南地震数据为学习样本对网络模型进行了训练和仿真测试研究。研究结果表明,利用BP神经网络模型预报的地震震级与实际震级误差在8%以下,说明所建模型具有较好的适应性和预报精度。该方法对地震震级的预测具有一定的指导作用和参考价值。     

BP改进算法及其在乙二醇精制软测量中的应用

提出了一种综合改进的BP神经网络算法，该算法在训练时对不同的连接权和阈值采用不同的学习速率，由此建立了乙二醇精制塔塔釜乙二醇浓度的神经网络软测量模型。结果表明该算法能有效提高乙二醇浓度BP神经网络软测量模型的收敛精度。     

一种基于增量式神经网络的转炉静态控制模型

针对中小型转炉不宜增设副枪、难以对钢水成分和温度进行连续检测、难以建立动态模型的实际情况,本文将传统增量模型和神经网络模型有机结合,提出了一种基于增量式神经网络的转炉静态控制模型,对钢水终点进行控制。在该模型引入了RBF神经网络对钢水终点温度和碳含量进行实时预报,使得对增量式神经网络控制模型的训练以预报模型的输出值与所要求的钢水终点温度和碳含量之差为最小,克服了常规静态控制模型存在的不足,改善了控制效果,提高了炼钢一倒命中率。     

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统BP网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和BP网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景.     

小波分解及神经网络在海浪预报中的应用

提出采用小波分解与递推平方根法神经网络模型相结合的方法进行海浪预报。采用小波分析方法既能把握海浪的发展变化趋势，又能简化预报模型，同时基于递推平方根法的神经网络模型预报方法不仅收敛速度快，又能很好地提高精度，减少计算量。即先将不规则海浪信号用小波分析方法进行多尺度一维分解，得到相对简单、规则的准周期分量信号，然后用一种基于递推平方根法的神经网络模型对各重构信号进行预报，最后对预报结果进行集成。最终的仿真结果验证了该方法的有效性。     

基于神经网络的救灾野战油库开设能力评价

给出基于前馈式(BP)神经网络模型研究联勤分部开设救灾野战油库能力的评价方法,以某部开设救灾野战油库能力为例,构建了以救灾野战油库开设效率、保障能力、应急发油能力为主的救灾野战油库开设能力评价指标体系。基于相关训练数据和对预案的分析打分,应用Mat1ab分析软件对其进行实证评价。     

基于蚁群神经网络的煤矿瓦斯含量预测模型

为了准确而快速预测煤矿煤层的瓦斯含量,采用了蚁群神经网络算法进行预测,建立了针对预测瓦斯含量的蚁群神经网络模型。该模型是将蚁群算法引入到神经网络的优化训练中,以避免神经网络算法容易陷入局部最优的不足,从而获得稳定的网络结构,再用训练好的神经网络对对象进行预测。以辽宁三家子矿区煤层样本为例,应用蚁群神经网络算法进行仿真实验,实验结果表明,该算法与传统算法相比,具有较高的预测精度和较快的运算速度,是一种十分有效的瓦斯含量预测方法。     

基于过程神经网络和量子免疫算法的油气评价

为评价我国目前油气资源的可持续发展能力,提出了一种将过程神经元网络与量子免疫算法相结合的评价方法。首先,在构建油气资源可持续发展能力评价指标体系的基础上,采用过程神经元网络建立评价指标体系与评价结果之间的映射关系;然后采用量子免疫算法完成网络的训练;最后,以2004年～2006年的油气资源经济可持续发展评价为例,验证了方法的有效性和可行性。     

基于自组织神经网络在油气分层中的研究

测井曲线的分层研究是勘探和开发油气资源的重要手段,也是认识油气层的地质面貌,以及剖析油气藏量内在规律的一种有力武器。该文介绍了一种基于自组织神经网络对测井曲线进行聚类自动分层的识别方法,它是一种通过网络自身的调节,从而对输入数据进行聚类的方法。该文采用某地区的油气层数据来建立网络模型,首先采用了插值的方法,消除该测井数据随机干扰带来的噪声,同时保留了数据的完整性和代表性;然后通过利用自组织神经网络算法,对该数据自动进行四层的识别分类;最后结合人工分层的结果进行验证,以保证利用自组织神经网络识别的结果更加客观和可靠。该方法的可操作性强,原理简单易于实现,说明该算法对研究测井曲线具备一定的有效性和可行性。     

基于混合算法的通信用户规模预测方法研究

准确地对通信用户规模进行预测对于通信运营商的决策具有十分重要的意义,而现有的常规预测方法存在预测误差较大、预测速率低等问题。研究一种基于RBF神经网络的通信用户规模预测模型。为了使得RBF神经网络算法预测性能更优,使用梯度下降算法与遗传算法混合对RBF神经网络进行参数优化,提高预测模型收敛效率。实例分析表明,使用本文研究的混合RBF神经网络预测模型的预测结果明显优于其他传统的预测模型。同时,在预测速度上也具有较大的优势。     

基于改进BP神经网络的羊肉价格预测

在羊肉价格预测问题的研究中,羊肉价格有着严重的非线性、高噪声和影响因素难以确定等特点,高效准确的预测羊肉价格是十分困难的。传统方法对羊肉价格的预测往往主观性较强或过分依赖羊肉价格间的线性关系,导致预测的精度较低,不够准确。针对羊肉价格预测难题及BP神经网络存在的缺陷,提出一种主成分分析与LM(Lvevenberg-Marquardt)算法结合使用的BP神经网络改进模型。首先定性分析影响羊肉价格的因子,然后采用主成分分析方法消除噪声并筛选主要影响因子作为神经网络输入,最后采用基于LM算法的BP神经网络进行训练学习与预测。仿真结果表明,模型的预测值与实际值十分接近,预测精度良好,提高了仿真预测的效率,为羊肉价格的预测提供了一种可行且有效的方法。     

基于分数阶神经网络的瓦斯涌出量预测

针对现有的煤与瓦斯涌出危险性区域预测模型存在收敛速度慢、极易陷入局部极值等问题,结合BP的局部搜索能力和分数阶算法快速的全局搜索能力,提出了一种基于分数阶神经网络的新预测模型,用于非线性瓦斯涌出量的动态预测。经训练和实验结果表明:该模型较其他模型具有更好的滤波效果、更强的抗干扰能力、更快的收敛速度、更高的收敛精度等特点,能够达到准确指导实践的要求。     

基于粗神经网络的瓦斯预测专家系统

瓦斯爆炸是我国煤矿生产中最常见的灾害事故,目前治理瓦斯爆炸的主要手段是预测瓦斯突出。以专家系统为核心,利用神经网络强的自学习能力来建立专家系统的知识库,并使用粗糙集对神经网络的构造和学习所需的样本数据进行预处理,构建了基于粗神经网络的瓦斯预测专家系统,详细介绍了系统的总体结构和工作过程,并以采集到的实时数据进行仿真实验,结果表明该系统有较好的预测能力。提高了瓦斯预测的准确性和及时性。     

IGA-DFNN在瓦斯浓度预测中的应用

为了准确预测采煤工作面的瓦斯浓度,提出免疫遗传算法优化的动态模糊神经网络瓦斯浓度动态预测方法。用无线传感网络系统采集工作面瓦斯浓度数据作为样本,通过小波分析对样本数据进行降噪滤波预处理。采用IGA算法对DFNN网络参数进行优化,建立了瓦斯浓度的预测模型。通过MATLAB仿真研究表明,所建模型对采煤工作面的瓦斯浓度演变趋势预测合理,并且经过IGA算法优化DFNN网络比单纯的DFNN网络具有更快、更准确的预测功能,可以为防治煤矿瓦斯积聚提供更好的理论支持。     

基于改进LMD与GRU网络的短期燃气负荷预测

针对燃气负荷数据非线性、非平稳性的特点,本文提出一种基于改进的LMD算法与GRU神经网络的组合预测模型.模型首先利用改进后的LMD算法对燃气负荷数据进行序列分解,改进的LMD方法采用分段牛顿插值法代替传统的滑动平均值法来获得局部均值函数和包络估计函数,改善了传统LMD方法存在的过平滑问题.之后,再将得到的若干PF分量进行小波阈值去噪处理,获得有效的分量数据.最后,利用GRU神经网络分别预测各分量值,将它们相加得到最终的负荷预测值.仿真实验表明,提出的方法与单个GRU神经网络以及结合传统LMD算法的GRU网络相比,预测精度更高.     

基于改进BP神经网络的瓦斯含量预测模型

煤层瓦斯含量是矿井安全生产的重要性能指标之一,而常规基于经验和传统数学模型的预测方法难以准确预测煤层瓦斯含量。针对该问题,文章在分析了基于Fletcher-Reeves共轭梯度法的改进BP神经网络模型的基础上,结合煤层瓦斯含量的各种影响因素,建立了一个基于3层改进BP神经网络的瓦斯含量预测模型,并进行了具体的网络训练和预测仿真。结果表明,该瓦斯含量预测模型收敛速度快,预测精度高,可满足实际生产要求。