目前对矿石加工的质量要求越来越高，因此需要在加工过程中对其进行质量测试，保证加工质量的准确度[1]。本文主要运用非线性预测算法及数据处理相关知识，以矿石加工质量控制问题为研究对象，综合运用线性插值、BP神经网络和数据离散化等方法对问题给出求解的过程和结果。
针对问题一，首先根据实际情况使用删除法或线性插值法对数据进行预处理。经过皮尔逊相关系数分析，计算指标A、B、C、D之间的相关性，根据计算结果所得的相关系数表可知，各指标之间不具有显著相关性。根据附件1中所给的数据以及对数据的处理结果，以系统调温区间的平均温度作为基数据，将产品质量和原矿参数按照基数据划分，得出产品质量、温度、原矿参数之间的一一对应关系。选择BP神经网络模型，以系统温度、原矿参数作为输入数据，产品质量作为输出数据，训练神经网络，得到系统温度、原矿参数和产品质量之间的关系。根据题目所给2022-01-23两组系统温度，选择当天原矿参数输入神经网络，输出产品质量结果。
针对问题二，同样采用BP神经网络模型。以原矿参数和产品质量为输入数据，系统温度为输出数据，训练神经网络，得到系统温度与原矿参数、产品质量的关系，根据问题2所
2022-08-12 09:04:01
861KB
1
基于bp神经网络的矿石加工质量控制问题
摘要
本文主要研究温度等因素对矿石加工质量控制问题。提高矿石加工质量，对节约不可再生资源和能源，推动节能减排，助力“双碳”’目标的实现，具有重要的意义。
针对问题一，我们要实现在给定系统温度和原矿参数的情况下，预测可能性最大的产品的指标。由于在刚开始调温时，系统还未稳定，所以指标参数会有大幅度变化。因此我们要首先对附件一中的数据进行预处理，去除其中的不正常数据。同时，将系统一和系统二的温度，四个原矿参数作为输入，四个产品指标作为输出，利用bp神经网络训练它，用训练好的神经网络，来预测题目已知温度和原矿参数条件下的产品指标。最终得到结果为：80.9556、22.1783、10.6264、21.6435和78.3544、26.4780、13.5826、28.2638。
针对问题二，问题二与问题一的问法正好相反，要我们通过其他数据来预测系统一和系统二温度。也可以使用bp神经网络来求解。不同的是，问题二的模型应改为八输入二输出。最终得到的结果为：1757.2，389和1854.5,405.6。
针对问题三，同样可以采用BP神经网络预测模型来预测产
2022-07-20 14:02:13
2.6MB
1
人工智能-基于BP神经网络的高填石路堤本构模型参数识别及应用研究.pdf
2022-06-27 19:10:36
18.9MB