基于BP神经网络岩体质量评价方法的相关性探讨

在国内外岩体质量评价分级研究进展的基础上,分析了目前主要评价方法,尤其是RQD（岩石质量指标）值分类法所存在的不足之处。总结了岩体结构、岩体质量及其与岩体质量分级的关系,讨论了主要岩体质量评价分级方法的基础及相关性。     

基于神经网络的多因素身份认证方法

为防止网络欺诈和身份盗窃,根本解决客户身份的安全问题,在分析用户身份的组成和识别方法的基础上,提出了面向多身份因素的智能身份认证方法.该方法结合神经网络技术,把用户行为作为分析重点,以电子商务系统中的用户身份认证为例,设计了应用模型.该方法解决了传统身份认证方法中简单依赖密码等少量身份因素的问题,能有效地抵御身份盗窃,极大地提高了认证的可靠性.     

基于神经网络的轴承故障诊断方法

研究了基于神经网络的轴承故障诊断方法,应用于球轴承、圆锥轴承和圆柱轴承在轴承疲劳试验机上实际运行产生的各种真实故障的诊断,结果表明:该方法具有较好的效果。     

基于神经网络的水厂原水水质的综合评价

基于BP神经网络的改进算法,提出了以Matlab 7.0为平台的算法程序的人工神经网络水质评价模型。参照《地表水环境质量标准》(GB3838-2002),确定神经网络学习和训练的样本并确定了模型的相应参数。以连云港市海州水厂原水取水口水质数据为样本,进行水质综合评价分析。与单因子评价法和模糊综合评价法进行了比较,结果表明神经网络模型所获得的结果更加客观、合理。     

神经网络方法在围岩稳定性分级评价中的应用

文中介绍了自适应调整学习率的改进BP算法,建立了适用于围岩稳定性分级评价和模式识别的BP神经网络模型,编写了相应的MATLAB计算程序,应用示例表明,该模型具有良好的评价识别效果。     

基于BP神经网络的钢铁企业技术经济指标综合评价模型研究

利用BP神经网络理论建立技术经济指标评估的数学模型, 采用3层神经网络,进行多因素输入建模.通过对模型的训练, 使网络的实际输出值与期望输出值的误差均方值最小, 经仿真计算证明,该数学模型具有较好的辨识精度.     

基于神经网络的仿真输出方法在地应力场分析中的应用

本文将基于计算机仿真输出分析中的人工神经网络ＢＰ算法，应用于地下工程原岩应力场模型的辨识研究中，并将网络输出结果与某金矿实测原岩应力值进行比较，显示计算值与实测值吻合，由此训练网络便可确定出矿区内任一给定位置处的原岩应力值，从而可建立该矿区的原岩应力场分布规律模型。     

基于BP神经网络的非晶相外标定量分析

 说明了非晶相不能用Rietveld方法来定量的原因。BP神经网络可以实现非线性的映射关系,非晶相的含量与其本底的高度存在一一对应关系,将两者联系了起来。用本底和衍射峰面积的数据,通过神经网络计算来求得非晶相的含量,所得结果优于多项式及S函数计算所得结果。同时指出了BP神经网络计算方法的适用范围。     

基于径向基网络的燃气短期负荷预测

用径向基（RBF）神经网络对城市燃气系统进行短期负荷预测。在对鞍山市燃气系统的历史负荷数据进行短期预测结果表明，所建立的RBF神经网络模型具有较高的预测精度。     

基于神经网络理论的安全预评价方法

文中应用人工神经网络理论的学习、联想、记忆和非线性并行分布处理功能，建立了基于神经网络理论的安全预评价方法。该方法对于非线性评价问题，共预评价结果精度高，具有较强的可判性，为安全预评价提供了一种新方法。     

基于PSO-RBF神经网络的轧辊偏心在线辨识

在实际生产中,轧辊偏心往往会导致带材厚度的波动,降低带材的质量。离线辨识轧辊偏心的控制方法在实际生产中效果不明显甚至会其反作用。为了使轧辊偏心能够在线自适应辨识,提出了一种基于改进粒子群算法优化的RBF神经网络的在线辨识方式,建立在线训练模型,对轧辊偏心信号进行在线辨识研究并与未采用该算法的在线辨识方式进行对比。结果表明,基于改进粒子群算法优化的辨识方式速度更快、精度更高,能迅速地辨识出生产过程中的轧辊偏心信号的变化,达到了期望的结果。     

基于BP神经网络的黄金价格非线性预测

针对黄金价格的非线性特征和神经网络的自身特点,利用BP神经网络建立了黄金价格的非线性预测模型。实证研究结果表明,BP神经网络模型具有较好的预测精度,可以为黄金投资和宏观经济决策提供一定的参考依据。     

基于RBF神经网络的黄金价格非线性预测

在对黄金市场进行分析时,通常根据黄金价格数据自身特点选取合适的模型进行建模预测,但因黄金价格数据本身的非线性特征比较明显,模型的选取往往较为困难,预测精度不高。利用神经网络的特性,建立了RBF神经网络,有效地解决了模型选择不当的难题。实证表明,RBF神经网络建立的非线性模型预测精度较高。     

基于遗传神经网络的氧化铝浓度预测控制

分析了槽电阻与氧化铝浓度的之间的关系,对铝电解槽氧化铝浓度的控制方法进行了探讨。通过建立基于遗传神经网络的氧化铝浓度预测控制系统,对氧化铝浓度进行控制,实际应用效果良好。     

基于BP神经网络的烧结矿性能预报模型

 为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。     

基于BP神经网络的VD过程温降预报模型

建立了基于BP神经网络的VD过程温降预报模型,利用五数总括值法和聚类分析法进行了BP神经网络输入数据的预处理,采用MINITAB软件确定了影响VD过程温降的主要因素为抽真空时间、保压时间、吹氩时间、非真空时间和钢水进VD过热度。利用245罐数据作为训练数据、50罐作为验证数据对模型进行了验证,结果表明:模型计算偏差在±5℃范围内的比例达到88%。     

基于集成神经网络的剩余寿命预测

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题,提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征,以及产生更多的训练样本,采用滑动窗口对数据进行处理,同时采用卡尔曼滤波对数据进行降噪处理,将数据标准化以及设置RUL标签。与人工提取特征不同,利用一维CNN对数据进行特征提取,并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测,并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性,以及相比于其他机器学习或者深度学习模型的优越性,实验表明所提模型在RUL预测方面更加准确。