基于BP神经网络的钢材力学性能预测算法

合集下载

Keras深度学习框架下BP神经网络的热轧带钢力学性能预测

大多数情况下工业热轧机所测得的特定钢种的力学性能、化学成分和工艺参数的数据都不够离散，有用的数据是有限的。

因此，在有限的训练数据下，应考虑基于统计的热轧带钢力学性能预报模型。

1热轧带钢力学性能概述在预测热轧带钢力学性能的统计模型中，最常用的方法是多元回归分析法[1]，但由于线性回归模型不能描述自变量和因变量之间的复杂相关性，因此近年来通常引入神经网络方法来解决此问题。

后者虽然具有调节简单、易于实现、效率高等优势，但也存在训练数据多、计算量大、收敛速度慢、泛化能力弱等缺陷。

2BP 人工神经网络（1）基本原理。

BP 人工神经网络是应用最广泛的神经网络之一。

反向传播神经网络是向多层前向网络的单向传输，图1为BP 网络的结构。

BP 神经网络包括输入层、隐层和输出层。

对于隐藏节点或多层树节点来说，不存在任何耦合。

输入信号来自输入层的节点，依次通过隐藏层的节点，然后到达输出层的节点。

每一层的节点输出只影响下一层的节点输入[2]。

单元特征是“S 形”，但在输出层单元节点偶尔会呈现线性特征。

如果输出层不能达到预期的输出，就会转向反向传播过程，错误输出信号会沿原连接路径返回。

因此，每层的节点神经元权值可通过反复修改使总体误差达到最小。

BP 网络可以看作从输入到输出的高度非线性映射，通过简单的线性函数组合多次，被认为是近似复杂的函数。

（2）模型建立。

首先要确定BP 神经网络输入输出的参数。

原始组成和生产工艺参数是影响成品机械性能的主要因素，因此设置了重要的输入参数，包括化学成分（如碳、铝、硅、磷、锰、硫、钙含量）、进口速度、进口温度、终轧温度、卷取温度及厚度。

输出主要测量指标包括屈服强度、抗拉强度和伸长率。

然后是学习参数的确定，选取Traingdm 作为网络训练的对象。

Traingdm 的学习参数主要是学习速率（lr ）、动量因子和训练精度。

改变参数中的任意一个或两个参数都可以实现参数对性能的影响预测。

在参数训练过程中，选择初始学习精度和动量因子，lr 从0.1变化到0.9。

基于Matlab的BP神经网络轧制力预报模型及应用

— —
金属实际变形抗力 ቤተ መጻሕፍቲ ባይዱ ＭＰａ；
及轧制力的影响因素很多，传统轧制力数学模型计
算过程繁琐。本次研究以三辊Ｙ型轧机钛合金棒材轧制力
Ｋ—— １．１５倍的金属实际变形抗力，ＭＰａ；
中图分类号：ＴＰ３１１文献标识码：Ａ文章编号：１６７３—１９８０（２０１６）０６— ００９６— ０３
三辊Ｙ型轧机的每个机架由互成１２０。的圆盘型轧辊构成，其轧辊布置成 “ Ｙ” 字型，故称为Ｙ型轧
ＫＸｎ＝１．１５ＸＸ凡
（１）
轧辊中的工作状态、受力状态同样复杂。目前国内
关于钛合金棒材在三辊轧机中的特性研究较少，涉
式中：卢— — 平均单位轧制压力，ＭＰａ；
根据式（３）计算传统轧制力：
Ｐ＝Ｆｘｐ（３）
孔型设计的核心为数学模型，模型的准确性、通
收稿日期：２０１６— ０５—０５
基金项目：２０１５年安徽省质量＿Ｔ程项目“ 大规模开放课程 —— 工艺装备的液压与气压控制” （２０１５Ｍ００Ｃ２０１）；２０１５年安徽机电职业技术学院青年教师发展支持计划教科研项目（２０１５ＹＪＺＲ０２９）作者简介：刘欣玉（１９８５一），女，硕士，讲师，研究方向为材料成型及机械设计。

基于BP神经网络的冷轧带钢的力学性能预测

ＢＰ网络模型由输入层、含层和输出层组隐成，其结构图如图１。该算法的学习过正向传播过程中输入信息从输入层经隐含层逐层处理，并传
维普资讯
Ｎ．ｏ３
Ｓｐｅｂｒ２０ｅｔｍｅ０６
《重型机械科技》
ＨＥＡＶＹＡＣＨＩＲＹＣＩＭＮＥＳＥＮＣＥＡＮＤＴＥＣＨＮ０Ｌ０ＧＹ
基于ＢＰ神经网络的冷轧带钢的力学性能预测
侍红岩廖湘辉朱颖杰
（．１内蒙古民族大学，内蒙古０８０；．庆钢铁集团公司，２２０２重重庆４０８）００１
摘要：利用ＢＰ神经网络的方法预测ＳＣＰＣ冷轧带钢产品力学性能并以现场得到的化学成分（Ｓ、、、Ｃ、ｉＭｎＰＳＡ１和工艺参数（、）退火温度、轧制速度）正交试验数据为基础，采用离线学习的方法得出网络的预报值。关键词：Ｐ神经网络；Ｂ冷轧带钢；化学成分；工艺参数；预测模型
并且以大规模模拟计算为主，于联想、善概括、类比和推广，而且还有很强的自学能力［。目前，１］在
工艺中应用最广泛的是具有多层前馈网络结构且采用反向传播训练方法的ＢＰ模型和它的变形形式。近年来，人工神经网络理论的研究取得了较大的进展，已有很多学者利用ＢＰ神经网络研究了冷轧板形高精度控制技术［，２轧制力预报模］型以及冷轧板厚度的测定［等等问题。但对于４冷轧带钢的力学性能的检测还主要是依赖于现场抽样检测和经验公式相结合的方式。本文以重钢某厂冷轧带钢生产线作为研究对象．在获得大量现场生产数据的前提下，建立了Ｂ神经网络力学性能预测模型并用于生产过程Ｐ

基于BP神经网络的不锈钢轧制力预报模型研究

ＹＵ
Ｍｅｎｇ
２．Ｓｃｈｏｏｌｏｆ
Ｍｅｃｈａｎｉｃａｌ
Ｅｎｇｉｎｅｅｒｉｎｇ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ
ａｎｄ
Ｔｅｃｈｎｏｌｏｇｙ
Ｂｅｉｊｉｎｇ）
ＡＢＳＴＲＡＣＴ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｐｒｅｃｉｓｉｏｎｏｆｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｒｏｌｌｆｏｒｃｅ，ｔｈｅｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｏｆｙｉｅｌｄ
ｓｔｒｅｓｓ
ｃｏｍｂｉｎｅｄ
ｗｉｔｈ
ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ
ｗｈｉｃｈ
ａｄｏｐｔｅｄ
Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔａｌｇｏｒｉｔｈｍ
ｓｏ
ｔｈａｔ
ａ
ｃｏｒｒｅｃｔａｂｌｅｙｉｅｌｄｓｔｒｅｓｓｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄ．Ｌｏｔｓｏｆａｃｔｕａｌｍｅａｓｕｒｅｄｄａｔｕｍ，ｗｈｉｃｈｉｓｐｒｅｔｒｅａｔｅｄａｎｄｄｉｖｉｄｅｄａｃｃｏｒｄｉｎｇｔｏｓｔｅｅｌｇｒａｄｅａｎｄｔｅｃｈｎｏｌｏｇｉｃａｌｐａｒａｍｅｔｅｒ，ｉｓ
图１
Ｆｉｇ．１
基于解析公式的轧制力仿真模型的计算流程图
ｏｎ
Ｃａｌｃｕｌａｔｉｏｎｆｌｏｗｄｉａｇｒａｍｏｆｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｏｆｒｏｌｌｉｎｇｆｏｒｃｅｂａｓｅｄ
Ｂｌａｎｄ－Ｆｏｒｄｆｏｒｍｕｌａ
．８３．
ＢＰ网络基本结构如图２所示，是一种最常用的只有一个隐含层的三层ＢＰ网络，此ＢＰ模型中
高１４，５１。后滑区轧制力分布：
只：ⅢＡ鲁．（－一斋］．ｅＸｐ卜辱・［ｔａｎ“（矿＿雁卜ａＩｌ。１㈠辱］］］
前滑区轧制力分布：

基于SIFT特征与多层BP神经网络的钢板缺陷检测算法

第10期2017年10月组合机床与自动化加工技术Modular Machine Tool & Automatic Manufacturing TechnitjueNo. 10Oct. 2017文章编号：1001 -2265 (2017) 10 -0054 -0-D 01：10. 13462/j . cnki . m m tam t . 2017. 10.013基于S IF T 特征与多层B P 神经网络的钢板缺陷检测算法！朱晓琚，韩林，邹香玲(河南广播电视大学信息工程学院，郑州450000)摘要：为了解决当前钢板表面缺陷在对比度弱、边缘复杂和光照不均干扰下易导致检测能力较低的问题，文章提出了基于SIFT 特征与多层B P 神经网络的钢板缺陷检测算法。

首先，引入高斯差分和Hessian 矩阵，对钢板图像进行空间尺度函数计算，统计SIFT 深度向量特征，完成缺陷特征的检测与收集。

然后，基于神经网络原始模型，计算其第五层输出结果，优化缺陷检测结果，并最小化输出层与期望值的差异平方，滤除伪SIFT 特征的干扰，建立多层B P 神经网络拓扑分析算子，准确识别钢板缺陷。

最后，基于软件工程，设计检测系统软件，对文中算法的缺陷检测精度进行测试。

实验测试结果显示：与当前主流钢板缺陷检测技术相比，文中算法拥有更高的准确性与鲁棒性。

关键词：钢板缺陷检测；SIFT 特征;B P 神经网络；空间尺度;深度向量中图分类号:TH 162;TG 506文献标识码:ASteel Plate Defection DetectionAlgorithm Based on SIFTFeature and Multi-Layer BPN eural NetworkZHU Xiao-jun , HAN Lin , Z 0U Xiang-ling(School of Information Engineering , HeNan Radio & Television University , Zhengzhou 450002, China ) Abstract ： In order to solve the current steel plate surface defect contrast weak edge , complex and u lumination ,lead to the problem of insufficient recognition detection al^^oritlim , the steel plate defection de tection al^^oritlim based on SIF'T feature and multi-layer BP neural network was proposed . Firstly , the Gauss ian difference and Hessian matrix were introduced to calculate the spatial scale function for statistical SIFT depth vector features to complete defect detection and collection . Then , t he output of fifthi layers is ed for filtering the interference of pseudo SIFT feature , and multilayer BP neural network topology analysis operator was established to achieve the purpose of accurate identification plate defects . Finally , detection system software was designed based on the software engineering to test the defect detection ac algorithm . The experimental results show that the algorithm is more accurate and robust co current steel plate defection detection tedinology .Key words ： steel plate defect detection ； SIFT feature ； BP neural network ； spatial scale ； depth0引言现代工业智能制造中，钢板是必要材料，必须对钢板表面质量进行检测，传统人工目视检测方法过程复杂、效率较低、实时性差，基于机器视觉的钢板表面缺陷检测方法由此诞生[1]。

基于优化BP神经网络的钢板测速修正方法

基于优化BP神经网络的钢板测速修正方法唐银凤;贺赛先;耿学贤【摘要】在采用激光多普勒仪测速的钢板长度测量过程中,针对由于钢板表面因素和测量环境所引起的测量速度数据失真问题,设计了基于L-M (Levenberg-Marquardt)优化BP神经网络的钢板测速数据处理模型;通过进行多普勒测速数据分析调整BP网络结构和参数,依据误差反向传播理论将测速数据自适应地进行非线性拟合,修正测速粗差,最后计算钢板准确长度;与最小二乘(LS)拟合法的对比实验结果表明,该方法能更加准确地进行失真数据修正,现场运行结果表明该方法可将钢板测长精度提高10％以上,满足钢板长度测量的精度要求.【期刊名称】《计算机测量与控制》【年(卷),期】2014(022)010【总页数】4页(P3105-3107,3128)【关键词】测速修正;多普勒测速;神经网络;BP算法;钢板测长【作者】唐银凤;贺赛先;耿学贤【作者单位】武汉大学电子信息学院,武汉430070;武汉大学电子信息学院,武汉430070;武汉大学电子信息学院,武汉430070【正文语种】中文【中图分类】TP390 引言钢板长度测量通常采用人工直接测量，其效率低下，危险性高，且测量结果易受测量人员的主观影响，严重影响了钢板的自动化生产。

滚轮加编码器的接触式测量方法虽然实现了钢板自动测量，但滚轮经常受到钢板冲击而产生磨损，不但影响测量精度，而且容易损坏。

因此非接触式的近景摄影测量法［1］和激光多普勒测速测长法［2－3］应运而生。

在采用激光多普勒测速的钢板长度测量中由于钢板被测表面反射率突变和氧化皮等因素的干扰，导致激光多普勒测速仪测量失真，产生无效的测量数据，影响钢板测速精度，从而影响了由速度积分得到的钢板长度，为此需要对所测速度数据进行后续拟合处理，修正粗差，提高测长精度。

最初的曲线拟合方法是基于解析表达式描述的方法，随着计算机科学及人工神经网络技术的发展，拟合方法从解析式理论扩展到神经网络、遗传算法等新方法。

基于人工神经网络钢材价格的分析与预测

先机．理控制生产．提高经济效益有巨大的推合对
动作用。
受的程度或达到训练次数为止。ＢＰ网络通常由一个输入层、一个或多个隐含层和一个输出层组成。
文章编号：０１９４（０Ｏ１—０７０１０－９４２１）２００ — ４
基于人工神经网络钢材价格的分析与预测
陈希，景强，玉峰王王
（津科技大学计算机科学与信息３程学院，津３０２天－－天０２２）
钢铁产业是国民经济的重要支柱产业．它涉及面广．有较高的产业关联度，其是对其下游行具尤
自学能力和对复杂问题的处理能力。
业如机械工业、车制造业、筑业、通运输业汽建交
１１概述．
ＢＰ神经网络又称为误差反向传播（ａｋｐｏ — Ｂｃｒｐ
ａａｏ）神经网络。在ＢｇｔｎｉＰ网络中，信号是前向传播的，而误差是反向传播的ｌ。ＢｌＰ神经网络通过周而复ｌ
始的调整权值对网络进行训练．到误差减小到可接直
ｂｉｒｄｃｉｎｍｏｅｏｔｅｒｃｓｂｓｄｏｅｒｌｎｔｒ．Ａｆｒｔａ，ｔｅｗｅｇｔｆＢｅｒｌｎｔｏｋｗｅｅｕｌａｐｅｉｔｏｄｌｆｓｌｐｉｅａｅｎＢＰｎｕａｅｗｏｋｔｅｔｈｔｈｉｈｓｏＰｎｕａｅｗｒｒｅ

钢铁工业BP神经网络运用思考

钢铁工业BP神经网络运用思考人工神经网络（ArtificialNeuralNetworks，即ANN）是20世纪80年代发展起来的一种模仿生物结构和功能的信息处理系统，它具有自组织、自学习、自适应、快速处理、高度容错、联想记忆以及可以逼近任意复杂的非线性系统等独特优点。

在材料科学与工程领域中，人工神经网络在处理材料科学的许多问题中发挥了巨大作用，已普遍用于材料设计与成分优化、材料的智能加工与控制、材料加工工艺的优化、材料相变规律研究与相变点预测、材料性能及缺陷预测等方面［1-6］。

在钢铁工业中，基于误差反向传播网络（BackPropagation，即BP算法）的神经网络以其结构清晰、可操作性强等优点而成为钢铁工业中使用最广泛的一种人工神经网络模型。

1BP神经网络简介1986年，Rumelhart，Hinton和Williams完整而简明地提出一种ANN的误差反向传播训练算法（简称BP算法），系统地解决了多层网络中隐含单元连接权的学习问题，由此算法构成的网络我们称为BP网络。

1.1BP神经网络的基本原理BP网络的基本思路是将训练过程分为两个阶段，第一阶段正向传播，输入信息从输入层经隐含层单元处理后传向输出层，每一层神经元的状态只影响下一层神经元状态。

倘若在输出层得不到希望的输出，则转入第二阶段反向传播，将误差信号沿原来的神经元连接通路返回。

通过修改各层神经元的权值，逐次地向输入层传播进行计算。

这样，反复地运用这两个过程，使得误差信号最小，最后使得信号误差达到允许的范围之内。

1.2BP神经网络的神经元模型BP神经元的结构模式如图1所示，基于以下几点假定：其一，每一个神经元是一个多输入单输出的信息单元；其二，突触分兴奋性和抑制性两种类型；其三，神经元输出有阈值特性；其四，神经元输入与输出间有固定的时滞；其五，忽略时间的整合和不应期；其六，神经元本身是非时变的。

BP神经元的三个重要功能：一是加权-可对每个输入信号进行不同程度的加权；二是求和-确定全部输入信号的组合效果；三是转移-通过转移函数f（.），确定其输出。

基于BP神经网络的冷轧带钢力学性能预测

比和推广，很强的自学能力］目前，有。在工艺中应用最广泛的是具有多层前馈网络结构且采用反向传播训练方法的ＢＰ模型和它的变形形式。近
冷轧带钢的力学性能预测实质是找到生产工
艺参数和力学性能的非线性映射关系。由于各工
ｂｅｄｎｔｅｂｓｓｏｈａａｆｏｏｔｏｏａｅｐｒｍｅｔ．ｅｒｓｌｓｏｈｔｔｅＢｅｒｌｎｔｒｅｎｍａｅｏｈａｉｆｅｄｔｒｍｒｈｇｎｌｘｅｉｎｓＴｈｅｕｔｈｗｓｔａｈＰｎｕａｅｗｏｋｔ
维普资讯
。
第１卷第４期２３８‘ ２００６年８月
宽厚板
ＷＩＥＮＤＥＡＶＹＤＡＨＰＬＡＴＥ
Ｖｏ１１２Ｎｏ．．．４Ａｕｇｕｓ２６ｔ００
基于ＢＰ神经网络的冷轧带钢力学性能预测
（ｉａＴｈｒｅＧｏｇｉｅｉｉ２ＣｈｎｑｎｒｎａｄＳｔｅＣｏ１ＣｈｎｅｒｅＵｎｖｒｔｏｇｉｇＩｏｎｅｌ．Ｌｔ）ｓｙ；ｄ
Ａｂｔａｔｓｒｃ
ＭｅｈａｃｌｏｐｔｅｏｆＳＰＣＣｏｌｒｌｅｓｒｐｔｅａｅｒｄｃｅｂＢＰｎｕｒｌｅｔｃｎｉａｐｒｅｒｉｓｃｄｏｌｄｔｉｓｅｌｒｐｅｉｔｄｙｅａｎｗｏｒｋ
艺参数为连续变化地采集数据，故输入单元能接

基于BP神经网络的带钢最大卷取力矩预测研究

ｏｎｔｈｅＢＰＮｅｕｔｒａｌＮｅｔｗｏｒｋｓ
ＷＡＮＧＤａｉ — ａｎｇ－ｔａｏ
（１．ＫｅｙＬａｂｏｒａｔｏｒｙｆｏｒＭｅｔａｌｌｕｒｇｉｃａｌＥｑｕｉｐｍｅｎｔａｎｄＣｏｎｔｒｏｌｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＧｕａｎｇｄｏｎｇＧｕａｎｇｚｈｏｕ５１０８００，Ｃｈｉｎａ２．ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨｕｂｅｉＷｕｈａｎ４３００００，Ｃｈｉｎａ）
中图分类号：ＴＨ１６；ＴＧ３３３．２＋４文献标识码：Ａ文章编号：１００１ — ３９９７（２０１３）０７ — ００４９ — ０３
ＴｈｅＲｅｓｅａｒｃｈｏｆｔｈｅＭａｘｉｍｕｍＲｏｌｌｉｎｇＴｏｒｑｕｅｔｈｅＳｔｅｅｌＴｒｉｐＢａｓｅｄ
Ａｂｓｔｒａｃｔ：Ｄｏｗｎｃｏｉｌｅｒｉｓｏｎｅｏｆｔｈｅｉｍｐｏｒｔａｎｔｅｑｕｉｐｍｅｎｔｓｉｎｈｏｔｒｏｌｌｉｎｇ．Ｔｈｅｗｏｒｋｉｎｇｔｏｒｑｕｅｆｔｏｈｅｓｔｅｅｌｔｒｉｐｉｓｃｈｎｇａｉｎｇｄｕｒｉｎｇｔｈｅｐｒｏｃｅｓｓｆｒｏｏｌｌｉｎｇ，ａｎｄｉｔｓｍ￣ｉｍｕｍｔｏｒｑｕｅｉｓｒｅ￣ｖａｎｔｔＯｔｈｅｍａｔｅｒｉａｌ，ｔｈｅｓｉｚｅａｎｄｔｅｍｐｅｒｔａｕｒｅ．Ｏｎｌｙｗｈｅｎｔｈｅｍ￣ｉｍｕｍｔｏｒｑｕｅｆｔｏｈｅｓｔｅｅｌｔｒｐｉｉｓｌｅｓｓｔｈｎａｔｈｅｍａｘｉｍｕｍｗｏｒｋｉｎｇｔｏｒｑｕｅｆｔｏｈｅｄｏｗｎｃｏｉｌｅｒ，Ｃｎａｔｈｅｍａｃｈｉｎｅｗｏｒｋｓｎｏｒｍａｌｌｙ．Ｂａｓｅｄｏｎ

基于BP神经网络斜轧穿孔轧制力的预测

准确的轧制力直接决定了斜轧穿孔生产过程毛管的质量和轧制设备的安全，同时对整个生产过
程能源消耗的影响至关重要。因此，如果能够结合
素，按照其影响石墨化的程度，以一定的比例近似
换算成相应的Ｃ含量。当ｃ含量ＧＯ．１２％时，ＣＥ（Ｐｃｍ）应采用公式（１）计算；当ｃ含量＞０．１２％时，ＣＥ（ＩＩＷ）应采用公式（２）计算。
轧制压力的因素很多，主要可分为影响轧件力学性能的因素和影ｍｉｌｌ件应力状态特性的因素。如果将这些因素全部作为网络输人来处理，将使模型变得极为复杂，不仅大大增加了训练样本的数量和科研工作量，也使网络的学习过程变得困难。本研究
第３５卷第２期２０１３年４月
山东冶金
ＳｈａｎｄｏｎｇＭｅｔａｌｌｕｒｇｙ
Ｖｏ１．３５Ｎｏ．２Ａｐｉｌｒ２０１３
试验研究；
基于ＢＰ神经网络斜轧穿孔轧制力的预测
刘莉，李传峰，张广军
穿孔区力学参数监测系统所获取的工艺数据，对轧制力进行有效的预报，并根据实际工艺数据，实时优化轧制力模型，提高预报精度，对于制定穿孑Ｌ工
艺制度、实现高效稳定穿孔、延长轧制设备的使用

基于BP神经网络的受火后RC梁钢筋温度预测

收稿日期：2019-04-16 作者简介：蔡斌（1978~），男，吉林省长春市人，副教授，博士，主要从事混凝土结构抗火及可靠性研究。
蔡斌袁许龙飞袁郝丽妍院基于 BP 神经网络的受火后 RC 梁钢筋温度预测
网络对受火后的 RC 梁钢筋温度进行研究。
1 200
本文利用有限元软件 ABAQUS 模拟 RC 梁受
火后的钢筋温度，得到 72 组温度数据，基于 MAT原
1 000
LAB 平台通过 BP 神经网络对钢筋温度进行预测，
800
研究结果表明，BP 神经网络可以快速、准确地预测
钢筋温度。
600
1 BP 神经网络简介
BP 神经网络是一种按误差逆传播算法训练的多层前馈网络，1986 年由 Rumelhart 和 McCelland 为首的科学家小组提出[9]。BP 神经网络能自学习大量输入和输出之间的映射关系，无需提前给定函数关系式即可根据输入预测输出[10]。BP 神经网络模型拓扑结构包含输入层、隐含层和输出层[11]。如果输出与目标值不一致，程序会调整各层的权值和阈值，将误差逆向传播，直到输出误差达到规定范围内为止。BP 神经网络结构简单，具有强大的非线性分析能力和记忆能力，是科研领域应用最广泛的神经网络模型之一[12-13]。
第 4 卷第 4 期 2019 年 8 月
姻工程科技
基于 BP 神经网络的受火后 RC 梁钢ቤተ መጻሕፍቲ ባይዱ温度预测
蔡斌许龙飞郝丽妍
（吉林建筑大学土木工程学院，吉林长春 130118）
摘要院为了快速得到受火后 RC渊Reinforced Concrete冤梁中钢筋的温度袁减少中间环节袁提出一种利用 BP(Back
期望值误差较小袁结果较为准确袁说明 BP 神经网络可作为预测钢筋温度的一种工具遥

基于人工神经网络的钢材价格预测

基于人工神经网络的钢材价格预测自改革开放以来，中国钢材市场规模不断扩大、市场活跃度不断增强。

近几年来，钢材价格的波动性问题也日益突显，给钢材行业的生产经营者和消费者带来了不利的影响。

据此，在对价格预测方法研究的基础上，构建了时间序列的BP神经网络预测模型，通过对钢材价格的实证研究，对钢材价格变化的预测得到了良好的效果。

标签：人工神经网络；价格预测1 引言中国是钢铁大国，钢铁产业在我国市场经济体系中占有重要的地位。

中国的钢铁产业仍在稳步的前进，但是在发展的过程中也遇到了挑战。

由于国际间贸易额的不断增长以及产业结构的不断调整，加之国内国外复杂的环境，我国钢铁产业供求失衡、价格波动等情况时有发生。

钢铁价格的下降，造成企业获利空间明显下降，人们也认识到钢铁价格预测的必要性。

对钢铁产品价格较准确的预测能帮助钢铁企业把握市场先机，合理控制生产，提高经济效益。

2 价格预测方法研究随着社会的不断向前发展，针对商品价格进行预测的活动越来越广泛，价格预测研究已得到了一定的成果。

根据价格预测原理不同，大致可分为定性预测、定量预测和智能预测方法。

2.1 定性预测方法所谓定性预测方法，是指人们凭借知识和经验，在对现有信息分析的基础之上，对未来的发展趋势做出大致的判断。

常见的定性预测方法有德尔菲法、主观概率法、情景预测法等。

2.2 定量预测方法定量预测法是根据已经掌握的比较详备的统计数据，通过科学的方法对数据进行加工与处理，借以揭示有关变量之间的联系，对事物未来发展变化情况做出预测和推测。

常见的有时间序列预测法和因果关系预测法两大类。

2.3 智能预测方法所谓的智能预测方法就是运用智能信息处理的理论与方法，进行信息分析预测的体系。

近几年在价格预测方面，应用比较广泛的智能方法有人工神经网络、遗传算法、粗糙集、小波分析等。

登文，蒋红妍等（2010）将人工神经网络应用于建筑材料的预测中，对未来的价格预测做出预测，取得了很好的效果。

基于BP神经网络的BNS440热轧板力学性能预测

基于BP神经网络的BNS440热轧板力学性能预测
刘学伟;胡恒法
【期刊名称】《梅山科技》
【年(卷),期】2010(000)004
【摘要】研究了基于BP方法的神经网络及其在BNS440热轧板力学性能预测中的应用，利用基于BP方法的组织性能预测软件，进行了BNS440热轧板的网络训练和网络预测，实现了对其力学性能的高精度预测。

【总页数】3页(P25-27)
【作者】刘学伟;胡恒法
【作者单位】梅山钢铁公司技术中心,南京210039
【正文语种】中文
【中图分类】TG146.21
【相关文献】
1.基于改进BP神经网络收割机铆接接头力学性能预测 [J], 谢威;季丹丹
2.基于BP神经网络的钢材力学性能预测算法 [J], 李杨
3.基于贝叶斯神经网络的SPA-H热轧板力学性能预测 [J], 贾涛;刘振宇;胡恒法;王国栋
4.基于BP神经网络的热轧低碳钢力学性能预测 [J], 齐秀美
5.基于改进的BP神经网络胶铆接头的力学性能预测研究 [J], 刘文杰;邢彦锋;陆瑶因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进BP神经网络的连铸漏钢预报

基于改进BP神经网络的连铸漏钢预报张本国;李强;王葛;张水仙【摘要】LM algorithm was introduced to the training process of a BP neural network and a LM--BP neural network model was established aiming at the defects of slow convergence in the train- ing process of the traditional BP neural network. The LM--BP neural network model was applied to the breakout prediction in the continuous casting processes, and it was tested with the historical data collected from a steel mill. The feasibility and the validity of the model are verified by the results with the accuracy rate of 96.15% and the prediction rate of 100%%针对传统BP神经网络在训练过程中存在收敛速度慢的缺陷，将LM（levenberg marquardt）算法引入到BP神经网络的训练过程，建立了LM—BP神经网络模型，并将其应用于连铸过程中的漏钢预报系统。

结合某钢厂连铸现场历史数据对系统进行了测试，测试结果以96．15％的预报率及100％的报出率，验证了基于LM算法的BP神经网络连铸漏钢预报方案的可行性和有效性。

【期刊名称】《中国机械工程》【年(卷),期】2012(023)002【总页数】4页(P204-207)【关键词】连铸;漏钢预报;LM算法;BP神经网络【作者】张本国;李强;王葛;张水仙【作者单位】燕山大学,秦皇岛066004;燕山大学,秦皇岛066004／河北科技大学,石家庄050018;燕山大学,秦皇岛066004;燕山大学,秦皇岛066004【正文语种】中文【中图分类】TF777.10 引言漏钢是连铸生产过程中最具危害性的事故，它对作业稳定性、产品质量、人身安全及设备寿命都有不良影响，一次典型漏钢事故所造成的损失接近20万美元［1－2］。