针对高炉故障诊断系统快速性和准确性的要求，提出基于全局优化最小二乘支持向量机的策略.首先，采用变尺度离散粒子群对最小二乘支持向量机的参数和故障特征的选取进行优化；然后，利用核主元分析法对选取的特征向量进行压缩整理；最后，构造了以Fisher线性判别率为标准的启发式纠错输出编码.仿真结果表明，通过对故障训练样本有意义地分割重组，用较少的最小二乘支持向量机分类器，得到较高的故障判断准确率且增强了整个系统的实时性

针对BP神经网络训练时间长的问题,采用基于案例推理的方法预测精炼开始钢水温度.首先,应用层次分析法确定影响精炼开始钢水温度的各个因素的权值,并使用灰色关联度来计算案例的相似度,克服了传统相似度计算方法在案例信息不完整的情况下无法获取准确结果的缺点.然后,提出一个包含类选、粗选、精选和择优的四步检索方法,大大缩短了检索时间.最后,实验比较了人工神经网络和基于案例推理两种方法,结果表明基于案例推理比人工神经网络具有更高的命中率

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性

针对矿山破碎机的声音故障诊断受复杂现场环境制约、确诊率低的难题,结合独立分量分析(ICA)在自然图像和连续语音信号中特征提取的方法,采用两层ICA分别用于从混杂声音中提取各采集通道(部位)的统计独立声音信号和进一步提取该信号的特征基.训练阶段生成的特征基系数序列用来生成矢量量化(VQ)的码书,设计出ICA-VQ破碎机故障诊断系统.现场采集数据的实验中系统的故障诊断准确率达到96.8%,表明系统的高效性

随着高速铁路的不断提速,高铁轻量化设计中广泛采用高强铝合金材料,但高速列车齿轮箱体服役安全评价亟待完善.本文针对高速列车齿轮箱体使用的铝合金材料服役特性,搭建了声发射检测拉伸试验系统,运用BP神经网络算法对声发射信号进行训练与识别,实现对箱体材料拉伸损伤表征识别与材料服役状态的安全预警.本研究为材料损伤状态的无损实时识别提供了一种识别与预警方法

采用贝叶斯统计学原理改进传统神经网络算法,通过在神经网络的目标函数中引入表示网络结构复杂性的约束项,避免网络的过拟合以提高网络的泛化能力.将改进的神经网络应用于济钢1700mm热连轧机带钢厚度预测中,其预报精度、训练时间和网络稳定性均优于传统神经网络预测;然后应用贝叶斯神经网络预测带钢塑性系数;最后将出口带钢厚度和带钢塑性系数的实时预测值综合应用于带钢热连轧厚度控制系统,改进了传统的厚度控制方式,进一步提高带钢质量

提出了以人工智能思想为指导的图像数据库的智能检索方法,它利用模式识别技术和图像处理技术,同时考虑启发性知识.该方法用图像特征向量代表图像并进行聚类分析以建立图像库的检索树,应用最佳优先搜索方法在检索树上找出用户满意的图像.重点探讨了如何利用专家的经验知识和通过样本训练得到启发评价函数,并推出了启发评价函数存在的条件

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高

以某钢厂1580热连轧生产数据为基础,提出一种有限元与神经网络集成建模的方法.该方法首先对轧制过程的塑性变形进行有限元建模,然后结合有限元数值分析方法和智能技术的优点,实现有限元和神经网络的集成建模.集成模型中的神经网络模型为有限元模型提供参数调整的依据,并且在神经网络训练过程中使用改进的混沌粒子群优化算法对神经网络进行优化.通过与现场实际生产数据进行比较,验证了该模型的有效性

教学内容 首先介绍人工神经网络的基本概念和 ANN 的特性，以及神经网络的学习方法。然后讲授典型的前向神经网络、反馈神经网络的原理、结构、基本算法，给出了 BP 网络的算法改进。最后介绍了神经网络 PID 控制。 教学重点 1. 神经网络的各种学习算法，神经网络的训练。 2. 感知器网络、BP 网络的结构和算法、BP 网络学习算法的改进，反馈网络的结构、学习算法。 3. 神经网络 PID 控制