CN112992284A - 一种基于pso-elm算法的烧结矿质量预报方法 - Google Patents
一种基于pso-elm算法的烧结矿质量预报方法 Download PDFInfo
- Publication number
- CN112992284A CN112992284A CN202011630359.9A CN202011630359A CN112992284A CN 112992284 A CN112992284 A CN 112992284A CN 202011630359 A CN202011630359 A CN 202011630359A CN 112992284 A CN112992284 A CN 112992284A
- Authority
- CN
- China
- Prior art keywords
- neural network
- particle swarm
- learning machine
- extreme learning
- sinter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims description 13
- 239000011707 mineral Substances 0.000 title claims description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000000203 mixture Substances 0.000 claims abstract description 21
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims abstract 4
- 229910052681 coesite Inorganic materials 0.000 claims abstract 2
- 229910052906 cristobalite Inorganic materials 0.000 claims abstract 2
- 239000000377 silicon dioxide Substances 0.000 claims abstract 2
- 235000012239 silicon dioxide Nutrition 0.000 claims abstract 2
- 229910052682 stishovite Inorganic materials 0.000 claims abstract 2
- 229910052905 tridymite Inorganic materials 0.000 claims abstract 2
- 239000002245 particle Substances 0.000 claims description 53
- 238000005457 optimization Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005245 sintering Methods 0.000 abstract description 20
- 238000002156 mixing Methods 0.000 abstract description 3
- 238000004883 computer application Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 3
- UBOXGVDOUJQMTN-UHFFFAOYSA-N 1,1,2-trichloroethane Chemical compound ClCC(Cl)Cl UBOXGVDOUJQMTN-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 101000892269 Meleagris gallopavo Beta-1 adrenergic receptor Proteins 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052595 hematite Inorganic materials 0.000 description 1
- 239000011019 hematite Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
一种基于PSO‑ELM算法的烧结矿质量预报方法,属于计算机应用技术领域,其特征是包括以下步骤:通过在烧结现场采集大量的数据,建立基于PSO‑ELM神经网络的烧结矿质量预报模型,选用烧结混合料作为输入,以TFe、CaO、SiO2作为输出,采用灰色关联方法对上述数据和预测参数进行分析,并对模型分别进行训练和仿真。该预报模型为科学指导烧结配矿提供了理论依据。依据本方法可实现优化配矿,为生产出高质量、高产量的烧结矿提供参考。
Description
技术领域
本发明涉及计算机在冶金生产中应用技术领域,尤其涉及一种基于PSO-ELM算法的烧结矿质量预报方法。
背景技术
炼铁生产中烧结矿的生产是其关键工艺之一,烧结矿的质量直接关系到以后炼铁和炼钢产品质量,所以烧结矿质量预测方法的确立和完善对于烧结矿质量的有效提高和优化烧结工艺过程都会有很好的影响,应该充分做到科学化,理想化。
传统的对铁矿石烧结矿质量预报的实验方法,所需时间长、耗材多、费用高。为了正确把握铁矿石在烧结过程中高温条件下的行为及其相互作用,实现烧结生产的合理配矿,为工艺参数的合理选择、优化提供理论依据,对铁矿石的烧结矿质量进行快速、准确的预报,其意义重大。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供了一种基于PSO-ELM算法的烧结矿质量预测预报方法,具有效率高、成本低、且精度高的优点。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种基于PSO-ELM算法的烧结矿质量预报方法,包括包括以下步骤:
(1)获取待检测的烧结矿样本数据,包括化学成分、物理特性;
(2)对所述烧结矿数据进行处理,建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型。优选地,在前面所述的烧结矿质量预报模型,需要依据以下步骤进行建立
(1)设置粒子群算法优化的极限学习机神经网络的参数,其中,设置输入层的节点个数为n,设置输出层的节点为1;
(2)将烧结矿混合料成分作为所述粒子群算法优化的极限学习机神经网络的输入数据;
(3)将所述烧结矿的TFe、CaO、SiO2数据分别作为所述每个粒子群算法优化的极限学习机神经网络的输出数据;
(4)使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量;
(5)将所述最优权重矩阵设置为所述粒子群算法优化的极限学习机神经网络的权重矩阵;
(6)将所述最优偏置向量设置为所述粒子群算法优化的极限学习机神经网络的偏置向量;以此获得的基于粒子群算法优化的极限学习机神经网络即为烧结矿质量预报模型。优选的,在前面所述的烧结矿质量预报方法中,确定方法中所述粒子群算法优化的极限学习机神经网络的最优权重矩阵和最优偏置向量时,在每一轮迭代中:
(1)根据第一公式获取惯性权重ω(k),所述第一公式为:
ω(k)=ωstart-(ωstart-ωend)·k/Tmax,
其中:ωstart=0.9,ωend=0.4,k为当前迭代次数,Tmax为最大迭代次数。
(2)根据第二公式更新粒子的个体极值Pib和群体极值Pg,所述第二公式为:
其中,Pi为第i个粒子的位置,f(·)为粒子的适应度函数。
优选地,在前面所述的烧结矿质量预报方法中,所述改进粒子群算法优化的极限学习机神经网络采用Sigmoid函数作为激活函数使用。
(三)有益效果
本发明的有益效果是:本发明中基于烧结矿质量预报方法,采用具有最优权重矩阵、最优偏置向量粒子群算法优化的极限学习机神经网络对烧结混合料以及烧损进行处理,得到的烧结矿样品的质量较高且该方法效率高、成本低。
附图说明
在本项申请的附图中:
图1为基于PSO-ELM算法的烧结矿质量预报方法示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图1,通过具体实施方式,对本发明作详细描述。
本实施例公开了一种基于PSO-ELM算法的烧结矿质量预报方法,包括以下步骤:
1、获取待检测的烧结矿样品数据包括化学成分,其中,每个烧结矿样品的化学成分包含n个特征;
2、将获取的烧结矿样品数据输入烧结矿质量预报模型之中;
3、烧结矿质量预报模型根据输入的化学成分可以预测并输出烧结矿样品的质量。
其中,所述烧结矿质量预报模型为预先采用质量已知的多个烧结矿样品的化学成分所建立起来的,所述烧结矿质量预报模型为粒子群算法优化的极限学习机神经网络,所述烧结矿质量预报模型具有经过粒子群算法优化后的最优权重矩阵和最优偏置向量,所述烧结矿质量预报模型用于处理包含n个特征的烧结混合料的烧结矿数据以获得所对应的烧结矿质量。
进一步地,所述方法在采用烧结矿质量预报模型对所述烧结混合料进行处理之前,还包括:
采用多组包括烧结混合料与相对应的质量的烧结矿的综合数据,建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型。
具体地,获取待检测的烧结矿样品数据在建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型步骤之前,适应于在模型建立阶段。
具体地,得到获得的烧结矿样品的化学成分以及其对应的质量数据。并将这些烧结矿样品随机的选择出一部分作为建立模型的训练样品,一部分作为样品用作验证模型的测试样品。
具体地,获取待检测的烧结矿样品的数据,是在建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型的步骤之后,适应于在模型建立之后使用模型进行对烧结矿质量预报的阶段。
具体地,在建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型之后,对获得的质量未知的烧结矿样品,采用得到的与其对应的烧结矿的化学成分数据和烧损。采用建立的烧结矿质量预报模型处理这些预测样品的化学成分,得到预测样品对应的质量。
经过前述的训练步骤和验证步骤,预测样品质量的预测值误差较小,可以满足生产实际需要。
具体地,所述的方法中,采用多组包括烧结混合料和烧损以及相对应的质量的烧结矿的综合数据,建立基于粒子群算法优化的极限学习机神经网络的烧结矿的质量预测模型,包括:
获取多组包括烧结混合料和与所述化学成分相对应的质量的烧结矿的综合数据,其中,每组综合数据的烧结混合料中包含n个特征以及烧损数据。
设置粒子群算法优化的极限学习机神经网络的参数,其中,设置输入层的节点个数为n+1,设置输出层的节点为1。
将所述烧结矿综合数据中的烧结混合料作为所述粒子群算法优化的极限学习机神经网络的输入数据。
将所述烧结矿综合数据中的质量数据作为所述粒子群算法优化的极限学习机神经网络的输出数据。
使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量。
将所述最优权重矩阵设置为所述粒子群算法优化的极限学习机神经网络的权重矩阵。
将所述最优偏置向量设置为所述粒子群算法优化的极限学习机神经网络的偏置向量。
获得的粒子群算法优化的极限学习机神经网络即为烧结矿质量预报模型。
对极限学习机神经网络说明如下:
假设极限学习机神经网络有L个隐含层节点,有N个训练样本数据(xi,ti)。
其中,xi=[xi1 xi2 L xin]T∈Rn,ti=[ti1 ti2 L tim]T∈Rm。则该神经网络的输出为:
其中,ωi=[ωi1 ωi2 … ωin]T为连接第i个隐藏层节点与输入节点的输入权值。βi为连接第i个隐藏层节点与输出节点的输出权值。bi为第i个隐藏层节点的偏置。G(x)代表隐含层神经元的输出,对于加法型隐藏节点,G(x)为:G(ωi,bi,xj)=g(ωi·xj+bi)。让神经网络的实际输出和期望输出相等,还可以表示为:
Hβ=T (7)
其中,H为隐藏层输出矩阵,β为隐藏层输出权值矩阵,T为期望输出。
Minimize:||Hβ-T|| (10)
最后证明该线性系统最小二乘解的最小值是:
这里:H+是H的Moore-Penrose广义逆矩阵,并且Hβ=T的最小二乘解的最小值是唯一的。
本发明实施例的方法中,采用线性递减的惯性权重,从而更有效地避免早熟收敛,对网络增加稳定性。
具体地,所述的方法中,在使用粒子群优化算法得到所述粒子群算法去优化的极限学习机神经网络的最优权重矩阵和最优偏置向量时,在每一轮迭代中,根据第一公式获取惯性权重ω,所述第一公式为:
ω(k)=ωstart-(ωstart-ωend)·k/Tmax
其中,ωstart=0.9,ωend=0.4,k为当前迭代次数,Tmax为最大迭代次数。
在每一轮迭代中,根据第二公式更新粒子的个体极值Pib和群体极值Pg,所述第二公式为:
其中,Pi为第i个粒子的位置,f(·)为粒子的适应度函数。
具体地,所述的方法中,所述粒子群算法优化的极限学习机神经网络中,极限学习机神经网络采用Sigmoid函数作为激活函数。
所述的方法中,还包括获取烧结矿样品的化学成分的步骤:
对烧结矿样品进行多次化学成分测试,并将多次测试的化学成分数据进行算术平均后作为所述烧结矿样品的化学成分数据,其中,所述测试的化学成分数据中包含n个特征。
以下结合具体应用,对本发明实施例的基于光谱数据检测赤铁矿磁性率的方法进行说明。
收集烧结矿样品,共有100个样品,并对其进行化学成分检测。
具体地,获得的烧结混合料和质量数据共有100组,其中选取70组作为训练数据,30组作为测试数据。
采用70组训练数据建立具有最优权重矩阵、最优偏置向量的粒子群优化算法优化的极限学习机神经网络,并将其作为烧结矿质量的预报模型。
本发明实例的基于PSO-ELM算法建立烧结矿质量预报模型的方法的具体步骤如下:
(1)把烧结混合料数据输入给烧结矿质量预报模型,每个烧结混合料数据有5个特征,故模型的输入数据为6个特征,输出数据为1个特征。
(2)初始粒子群算法和ELM神经网络,粒子的最大迭代次数为50,粒子群数量为30;选择Sigmoid函数作为ELM神经网络的激活函数。
(3)使用ELM算法对训练集烧结矿数据训练以得到粒子群的适应度值,对适应度值进行判断,然后保存最优的适应度值和粒子群的速度、位置以及粒子长度。
(4)当网络达到最大迭代次数时就退出寻优,这时的粒子群算法优化的极限学习机神经网络具有最优权重矩阵、最优偏置向量。
综上所述,本发明实施例的烧结矿质量预报模型方法,采用粒子群算法优化极限学习机神经网络建立的烧结矿质量预报模型在烧结矿质量预报时准确、高效。本发明实施例的基于PSO-ELM算法的烧结矿质量预报的方法在经济、速度、准确性方面具有很大的优势和重要的实际应用价值。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不能够使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于PSO-ELM算法的烧结矿质量预报方法,其特征在于本方法包括以下步骤:
(1)获取待检测的烧结矿样本数据,包括化学成分、物理特性;
(2)对所述烧结矿数据进行处理,建立基于粒子群算法优化的极限学习机神经网络烧结矿质量预报模型。
2.根据权利要求1所述的一种基于PSO-ELM算法的烧结矿质量预报方法,其特征在于基于粒子群算法优化的极限学习机神经网络烧结矿质量预报模型依据以下步骤进行建立:
(1)设置粒子群算法优化的极限学习机神经网络的参数,其中,设置输入层的节点个数为n,设置输出层的节点为1;
(2)将烧结矿混合料成分作为所述粒子群算法优化的极限学习机神经网络的输入数据;
(3)将所述烧结矿的TFe、CaO、SiO2数据分别作为所述每个粒子群算法优化的极限学习机神经网络的输出数据;
(4)使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量;
(5)将所述最优权重矩阵设置为所述粒子群算法优化的极限学习机神经网络的权重矩阵;
(6)将所述最优偏置向量设置为所述粒子群算法优化的极限学习机神经网络的偏置向量;
以此获得的基于粒子群算法优化的极限学习机神经网络即为烧结矿质量预报模型。
3.根据权利要求2所述的烧结矿质量预报方法,其特征在于方法中所述改进粒子群算法优化的极限学习机神经网络采用Sigmoid函数作为激活函数使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011630359.9A CN112992284A (zh) | 2020-12-31 | 2020-12-31 | 一种基于pso-elm算法的烧结矿质量预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011630359.9A CN112992284A (zh) | 2020-12-31 | 2020-12-31 | 一种基于pso-elm算法的烧结矿质量预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112992284A true CN112992284A (zh) | 2021-06-18 |
Family
ID=76345225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011630359.9A Pending CN112992284A (zh) | 2020-12-31 | 2020-12-31 | 一种基于pso-elm算法的烧结矿质量预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112992284A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610207A (zh) * | 2021-06-21 | 2021-11-05 | 江苏省镔鑫钢铁集团有限公司 | 一种基于pso-elm算法的烧结矿质量预测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58127155A (ja) * | 1982-01-26 | 1983-07-28 | Nippon Kokan Kk <Nkk> | 焼結性状の予測・評価方法 |
CN101441444A (zh) * | 2008-09-18 | 2009-05-27 | 中冶长天国际工程有限责任公司 | 一种烧结过程中的烧结状态控制方法 |
CN102540889A (zh) * | 2011-12-30 | 2012-07-04 | 中冶长天国际工程有限责任公司 | 一种烧结终点预测方法及系统 |
CN109165793A (zh) * | 2018-09-14 | 2019-01-08 | 东北大学 | 一种基于pso-elm算法的混匀矿烧结基础特性预报方法 |
-
2020
- 2020-12-31 CN CN202011630359.9A patent/CN112992284A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58127155A (ja) * | 1982-01-26 | 1983-07-28 | Nippon Kokan Kk <Nkk> | 焼結性状の予測・評価方法 |
CN101441444A (zh) * | 2008-09-18 | 2009-05-27 | 中冶长天国际工程有限责任公司 | 一种烧结过程中的烧结状态控制方法 |
CN102540889A (zh) * | 2011-12-30 | 2012-07-04 | 中冶长天国际工程有限责任公司 | 一种烧结终点预测方法及系统 |
CN109165793A (zh) * | 2018-09-14 | 2019-01-08 | 东北大学 | 一种基于pso-elm算法的混匀矿烧结基础特性预报方法 |
Non-Patent Citations (1)
Title |
---|
罗吉敖: "《炼铁学》", vol. 1994, 30 June 1994, 冶金工业出版社, pages: 124 - 126 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610207A (zh) * | 2021-06-21 | 2021-11-05 | 江苏省镔鑫钢铁集团有限公司 | 一种基于pso-elm算法的烧结矿质量预测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kotopka et al. | Model-driven generation of artificial yeast promoters | |
CN106802977B (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
CN114707120A (zh) | 一种测算碳排放规模的统计学建模方法 | |
CN113158473B (zh) | 一种半监督集成即时学习工业混炼胶门尼粘度软测量方法 | |
CN112992284A (zh) | 一种基于pso-elm算法的烧结矿质量预报方法 | |
CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN111047103B (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
CN110491443B (zh) | 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法 | |
CN110807490A (zh) | 一种基于单基塔的输电线路工程造价智能预测方法 | |
CN113033105B (zh) | 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法 | |
Sathiparan et al. | Effect of aggregate size, aggregate to cement ratio and compaction energy on ultrasonic pulse velocity of pervious concrete: prediction by an analytical model and machine learning techniques | |
Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
CN112836902B (zh) | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 | |
CN109165793A (zh) | 一种基于pso-elm算法的混匀矿烧结基础特性预报方法 | |
CN116894379A (zh) | 一种注塑件质量优化方法 | |
CN116597919A (zh) | 一种基于人工智能的3d打印水泥基材料设计方法 | |
CN113658643B (zh) | 一种基于注意力机制对lncRNA和mRNA的预测方法 | |
CN110362860B (zh) | 一种基于有限元仿真和微分进化算法的电场测量仪支架优化方法 | |
CN109871953B (zh) | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 | |
CN111507003A (zh) | 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法 | |
Wang et al. | An improved locally weighted regression for a converter re-vanadium prediction modeling | |
Gilliot et al. | Design and analysis of massively parallel reporter assays using forecast | |
Zheng et al. | PPI inference algorithms using MS data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |