本文主要研究内容
作者铉明涛,李娇娇,王楠,陈敏（2019）在《基于FOA-GRNN模型的转炉炼钢终点预报》一文中研究指出：目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.
Abstract
mu qian an fan cai yong de RBFshen jing wang lao ju you xun lian shi jian chang yu xun lian kun nan deng que xian .ben yan jiu jie ge shi ji sheng chan shu ju ,jian li le FOA-GRNNshen jing wang lao yu bao mo xing ,bing dui zhuai lu zhong dian wen du yu tan zhi liang fen shu jin hang yu bao .jie guo biao ming :yu RBFshen jing wang lao xiang bi ,FOA-GRNNshen jing wang lao ke yi you xiao di gao ming zhong lv bing man zu shi ji sheng chan yao qiu .dang tan zhi liang fen shu jue dui wu cha xiao yu ±0. 03%shi ,FOA-GRNNshen jing wang lao yu bao ming zhong lv ke you 91%di gao zhi 94%;dang wen du jue dui wu cha xiao yu ±15℃shi ,yu bao ming zhong lv ke you 89%di gao zhi 97%.tong shi ,FOA-GRNNshen jing wang lao xun lian shi jian zai RBFshen jing wang lao ji chu shang fen bie jiang di le 42. 22%yu 37. 08%,yu bao jie guo yu shi ce zhi de jun fang cha ye you yi ding de jiang di ,gu ke wei xian chang sheng chan di gong chong yao de can kao .
论文参考文献
论文详细介绍
论文作者分别是来自材料与冶金学报的铉明涛,李娇娇,王楠,陈敏，发表于刊物材料与冶金学报2019年01期论文，是一篇关于转炉炼钢论文,预报模型论文,终点温度论文,终点碳质量分数论文,广义回归神经网络论文,果蝇算法论文,材料与冶金学报2019年01期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自材料与冶金学报2019年01期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：转炉炼钢论文; 预报模型论文; 终点温度论文; 终点碳质量分数论文; 广义回归神经网络论文; 果蝇算法论文; 材料与冶金学报2019年01期论文;