遗传算法优化BP神经网络的水泥窑温度预测模型研究

水泥窑内温度的控制效果直接决定水泥熟料的质量。由于回转窑煅烧具有大滞后、非线性、多变量等复杂特性,并且各个因素之间存在相互联系和不确定性,这给回转窑温度的控制带来了困难。本文利用BP神经网络建立回转窑温度预测模型,并利用遗传算法对模型进行优化,将优化前后的仿真结果对比后发现,使用遗传算法优化后的BP神经网络回转窑温度预测模型的预测精度高于单独使用BP神经网络搭建的回转窑温度预测模型精度,为回转窑温度的预测提供了一种新的方法。     

灰色理论在产品市场需求预测中的应用

以河北矾山磷矿产品历史销量为时间序列,利用灰色预测理论,构建其主要产品市场需求预测模型,并对企业2004年主要产品销量进行预测。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

直流系统蓄电池故障灰色预测模型的研究

在现有灰色预测模型进行深入研究的基础上,提出了一种以蓄电池电容量为特征量基于遗传算法的蓄电池故障灰色预测改进模型,进而为判断蓄电池是否故障提供依据,避免了传统的容量试验带来的弊端.该方法可以实现蓄电池故障的早期预测,减少传统的电池容量放电试验次数,从而延长蓄电池的使用寿命.同时,也为直流系统蓄电池组在线监测,建立了重要基础.     

采用神经网络和主成分分析方法建立催化重整装置收率预测模型

催化重整装置收率预测的准确性对生产计划的制定具有重要意义. 采用神经网络和主成分分析方法,并运用改进的遗传算法进行网络训练,建立了催化重整装置收率预测模型. 将这一模型程序作为催化重整装置收率预测模块加入软件GIOPIMS(Graphic I/O Petro-chemical Industry Modeling System)中,得到更为精确的产品收率预测结果. 在实际生产中,将收率预测模块计算的催化重整装置各侧线的收率代入生产计划模型中,可为生产计划的制定提供依据.     

基于NARX神经网络的高炉冶炼过程Si元素的预测与智能控制

使用NARX动态神经网络建立高炉冶炼过程中Si元素的单步预测与双步预测模型,分析使用NARX神经网络建模在过程工业中进行动态控制的可行性。通过实验结果发现,单步预测的命中率(误差±0:1)达到了近100%,而方向预测的正确率达到了80%。同时,双步预测的命中率也达到了近100%,而对变化方向的预测的准确率达到了90%,可以看出运用NARX神经网络对高炉冶炼过程Si元素进行预测控制的可行性并具有较高的预测精度。     

基于不同神经网络模型的橡胶减振器性能预测的应用研究

利用BP和GRNN神经网络建立胶料性能和减振器性能之间的预测模型,并对预测结果的误差进行对比分析。结果表明,利用BP神经网络建立的预测模型预测平均相对误差在16%以内,利用GRNN神经网络建立的预测模型预测平均相对误差在5%以内,说明使用GRNN神经网络进行减振器性能预测精度更高、效果更好。     

加权时间序列预测模型及其在矿业安全系统中的应用

依据安全系统的特征属性,探讨了典型的指数时间序列预测模型加权参数的估计方法,并构建了加权指数时间序列预测模型。引入修正指数权重函数,通过其特征参数调整,能较好的体现研究系统时间序列的时间属性。对我国矿业安全事故数序列进行了加权预测研究,通过比较常规预测模型和加权预测模型的预测残差平方和,表明加权预测模型可较大幅度的降低预测模型近期的预测残差,从而保证了预测的可靠性。加权时间序列预测模型具有较好的系统适应性,可推广应用于其他各类时间序列的系统预测。     

原油管道蜡沉积速率预测模型研究

准确地预测原油管道蜡沉积速率能够有效确定清管周期，以保证原油管道安全运行。针对BP神经网络(BPNN)模型学习效率低、对初始权重敏感且容易陷入局部最优状态等缺点，采用改进的麻雀搜索算法(ISSA)来优化BPNN的初始权值和阈值，建立ISSA-BPNN蜡沉积速率预测模型。以华池作业区38组蜡沉积实验数据为研究对象，使用MATLAB软件搭建预测模型并进行预测，同时与BPNN模型、遗传算法优化的BPNN模型(GA-BPNN)、粒子群优化算法优化的BPNN模型(PSO-BPNN)以及SSA-BPNN模型进行对比分析。结果表明：ISSA-BPNN模型预测蜡沉积速率的平均相对误差为1.353 1%,决定系数R²为0.994 8,均优于BPNN、GA-BPNN、PSO-BPNN和SSA-BPNN模型的预测结果，证明了ISSA-BPNN模型作为预测管道蜡沉积速率工具的准确性和可行性。     

浅谈城市道路声环境影响评价预测模式的选用方法

声环境影响预测与评价是城市道路运营期环境影响评价的主要内容之一,主要预测评价城市道路建成通车后对道路两侧及沿线敏感目标的影响程度,并提出减轻对敏感点影响的措施。目前常用的道路声环境影响评价规范有《公路建设项目环境影响评价规范(试行)》(JTJ005-96)、《公路建设项目环境影响评价规范》(JTGB03-2006)以及《环境影响评价技术导则—声环境》(HJ 2.4-2009),各规范(导则)均提出了道路交通噪声的预测模型。文章主要以已建成市政道路声环境现状实测数据与上述规范(导则)中提出的预测模型在相同条件下预测结果进行比较,探讨设计车速为40 km/h市政道路适用预测模型。