㊀２０１７年㊀第１０期
仪表技术与传感器
Ｉｎｓｔｒｕｍｅｎｔ㊀Ｔｅｃｈｎｉｑｕｅ㊀ａｎｄ㊀Ｓｅｎｓｏｒ
２０１７㊀Ｎｏ １０㊀
基金项目：国家重大科学设备开发专项项目（２０１３ＹＱ０４０８６１－０７－ＷＫ－ＳＪ００３－Ｃ０４－２０１４）收稿日期：２０１６－１２－１６
汪清瑶，刘㊀琼
（武汉科技大学信息科学与工程学院，湖北武汉㊀４３００８１）
㊀㊀摘要：针对传统烧结矿质量检测方法滞后，结果反馈不及时，导致造成烧结过程工艺参数调整不准确的问题，文中提出一种基于Ｅｌｍａｎ神经网络的烧结矿质量在线预测研究方法㊂根据烧结矿历史生产数据建立以烧结矿转鼓强度和耐磨指数为指标的预测模型，随后对基于瞬发γ中子活化分析（Ｐ ＧＮＡＡ）成分技术的工业物料在线检测仪器检测经化学式转化得到的数据进行在线预测，并将结果反馈给烧结过程达到烧结矿质量在线调控的目的㊂实验仿真结果表明，在线预测明显缩补了物料调控时间，改善了烧结工艺品质，预测结果比较准确㊂
关键词：烧结；Ｅｌｍａｎ神经网络；瞬发γ中子活化分析；预测；转鼓强度；耐磨指数中图分类号：ＴＨ８９㊀㊀㊀文献标识码：Ａ㊀㊀㊀文章编号：１００２－１８４１（２０１７）１０－００９８－０３
ＲｅｓｅａｒｃｈｏｎＯｎｌｉｎｅＰｒｅｄｉｃｔｉｏｎｏｆＳｉｎｔｅｒＱｕａｌｉｔｙ
ＢａｓｅｄｏｎＥｌｍａｎＮｅｕｒａｌＮｅｔｗｏｒｋ
ＷＡＮＧＱｉｎｇ⁃ｙａｏ，ＬＩＵＱｉｏｎｇ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００８１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｈｙｓｔｅｒｅｓｉｓｏｆｃｏｎｖｅｎｔｉｏｎａｌｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｏｎｓｉｎｔｅｒｉｎｇｑｕａｌｉｔｙａｎｄｄｅｔｅｃｔｉｏｎｆｅｅｄｓｗｉｔｈｏ
ｕｔｉｎｔｉｍｅｌｅｄｔｏｓｉｎｔｅ⁃ｒｉｎｇｐａｒａｍｅｔｅｒｓａｒｅｖｅｒｙｄｉｆｆｉｃｕｌｔｔｏａｄｊｕｓｔａｃｃｕｒａｔｅ．ＴｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｅｄａｎｏｎｌｉｎｅｐｒｅｄｉｃｔｉｏｎｒｅｓｅａｒｃｈｍｅｔｈｏｄｏｆｓｉｎｔｅｒｑｕａｌｉｔｙｂａｓｅｄｏｎＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ．ＴａｋｅｔｈｅｄａｔａｆｒｏｍｔｈｅｉｎｓｔｒｕｍｅｎｔｗｉｔｈＰＧＮＡＡｔｅｃｈｎｏｌｏｇｙａｓｔｈｅｉｍｐｏｒｔｓｏｆｔｈｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗｈｉｃｈｉｓｂｕｉｌｔｗｉｔｈｈｉｓｔｏｒｉｃａｌｓｉｎｔｅｒｉｎｇｄａｔａ，ｔｈｅｔｕｍｂｌｅｓｔｒｅｎｇｔｈａｎｄａｂｒａｓｉｏｎｉｎｄｅｘｗａｓｆｏｒｃａｓｔｅｄ．Ａｎｄｔｈｅｎ，ｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ
ｔｏｔｈｅｓｉｎｔｅｒｉｎｇｐｒｏｃｅｓｓｗａｓｒｅｔｕｒｎｅｄｉｎｏｒｄｅｒｔｏａｃｈｉｅｖｅｔｈｅｏｎｌｉｎｅｃｏｎｔｒｏｌｏｆｓｉｎｔｅｒｑｕａｌｉｔｙ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｏｎ⁃ｌｉｎｅｐｒｅｄｉｃｔｉｏｎｏｆｓｉｎｔｅｒｑｕａｌｉｔｙｄｅｃｒｅａｓｅｓｔｈｅｔｉｍｅｏｆｓｉｎｔｅｒｉｎｇｐａｒａｍｅｔｅｒｓｃｏｎｔｒｏｌａｎｄｉｍｐｒｏｖｅｓｔｈｅｓｉｎｔｅｒｉｎｇｑｕａｌｉｔｙｔｏａｌａｒｇｅｅｘ⁃ｔｅｎｔ，ｉｔ ｓｒｅｌａｔｉｖｅｌｙａｃｃｕｒａｔｅ．
Ｋｅｙｗｏｒｄｓ：ｓｉｎｔｅｒｉｎｇ；Ｅｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ；ＰＧＮＡＡ；ｐｒｅｄｉｃｔｉｏｎ；ｔｕｍｂｌｅｓｔｒｅｎｇｔｈ；ａｂｒａｓｉｏｎｉｎｄｅｘ
０㊀引言
烧结矿质量是决定烧结厂经济效益的重要指标，它直接影响高炉冶炼的生产，好的烧结矿保证了高炉的顺行，为冶炼的增产节焦㊁降低消耗提供了重要的物质保证，烧结矿质量的稳定性及烧结工艺的及时调控对烧结生产来说至关重要［１］㊂烧结矿的质量指标主要包括ＦｅＯ含量㊁转鼓强度㊁耐磨指数㊁还原性㊁低温还原粉化率等多方面㊂其中，ＦｅＯ含量㊁转鼓强度和耐磨指数是评价烧结矿质量比较常用的指标㊂在烧结生产工业现场，传统的烧结矿质量检测方式一般是烧结矿成品出来后，每隔２ｈ对成品矿进行取样检测，若发现检验指标不满足要求，操作员会根据现场经验对烧结工艺参数进行调整㊂这种简单的反馈调控虽
然可以解决部分异常情况，但却存在很大的局限性，例如不能实时检验烧结矿质量，生产工艺不能在线调控，造成生产效率低㊁烧结矿质量不稳定等情况㊂因此，有必要对烧结矿质量的在线预测进行研究，以提高烧结过程的自动化生产水平，优化烧结矿质量的稳定性，实现烧结矿品质的智能化管理［２］㊂本文以国内某烧结厂的数据为基础，分析烧结矿成分中影响烧结矿转鼓强度和耐磨指数的因素，建立烧结矿转鼓强度和耐磨指数的预测模型，实现烧结矿质量的在线预测，及时调节生产工艺操作，达到在线调控烧结矿质量的目的㊂
烧结矿质量在线预测系统主要包括以下几个部分：烧结矿成分数据采集㊁数据预处理㊁预测模型建立
㊁预测结果输出显示和反馈等㊂数据采集包括２部分，一部分是历史烧结生产数据，用于模型的训练学习；另一部分是采用基于瞬发γ中子活化分析（ｐｒｏｍｐｔ
㊀㊀㊀㊀㊀第１０期汪清瑶等：基于Ｅｌｍａｎ神经网络的烧结矿质量在线预测研究９９㊀㊀
ｇａｍｍａ－ｒａｙｎｅｕｔｒｏｎａｃｔｉｖａｔｉｏｎａｎａｌｙｓｉｓ，ＰＧＮＡＡ）成分技术的工业物料在线检测仪器对烧结矿成分元素在线检测并通过化学式转化得到的数据，用于烧结矿转鼓强度和耐磨指数指标的预测，并以此预测结果指导烧结生产工艺参数进行调控㊂其中，瞬发γ中子活化分析技术是一种利用热中子辐射俘获产生的瞬发γ射线对物质进行成分分析，是一种灵敏度很高的无损检测技术［３］㊂相比于实际工业烧结现场离线取样检测的方法，基于ＰＧＮＡＡ技术的检测仪不仅可以在线实时地对烧结矿成分进行检测，还可以针对所有生产的成品烧结矿都进行检测，检测结果也更为准确㊂预测模型建立是最为关键的一部分，近年来人工智能技术发展越来越成熟，很多学者提出一些基于支持向量机㊁人工神经网络等方法的预测模型㊂支持向量机是一种非线性㊁小样本预测方法，但其实际应用中存在最优参数难以确定㊁学习速度慢㊁适应性差等缺点［４］㊂人工神经网络模型是一种非线性预测能力比较强的智能学习算法，目前应用较多的前馈神经网络（ＢＰ网络），理论上来讲，一个３层ＢＰ网络可对任意非线性问题进行逼近，但是实际应用过程中，ＢＰ网络仍有很多不足，如收敛速度慢㊁容易出现局部最小点㊁难以确定隐层节点数等，是一种静态网络㊂Ｅｌｍａｎ神经网络是在ＢＰ网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从
而使系统具有适应时变特性的能力，能直接动态反映动态过程系统的特性，Ｅｌｍａｎ神经网络能较好地克服ＢＰ神经网络训练时间长以及计算复杂等缺点，而且相比于ＢＰ神经网络，Ｅｌｍａｎ神经网络的预测精度更高，因此本文拟采用Ｅｌｍａｎ神经网络对烧结矿转鼓强度和耐磨指数进行建模，以期获得理想的预测结果㊂
１㊀Ｅｌｍａｎ神经网络预测模型
以烧结矿转鼓强度和耐磨指数为指标，分析成品烧结矿中某些成分对烧结矿转鼓强度和耐磨指数的影响程度［５］，选取对其影响较大的因素来建立Ｅｌｍａｎ神经网络预测模型，实现烧结矿转鼓强度和耐磨指数的在线预测㊂
Ｅｌｍａｎ型神经网络一般分为４层：输入层㊁隐含层㊁承接层和输出层㊂根据影响烧结矿转鼓强度和耐磨指数的主要因素，本文拟选定以ＭｇＯ含量㊁ＦｅＯ含量和ＳｉＯ２含量等影响较大的因素作为模型的输入神经元参数，以烧结矿转鼓强度和耐磨指数作为模型输出建立基于Ｅｌｍａｎ神经网络的预测模型㊂其结构如图１所示㊂其中，输入层㊁隐含层㊁输出层的连接类似于前馈式网络，输入层的单元仅起信号传输的作用，输出层单元起线性加权作用㊂隐含层单元的传递函数可采用线性或非线性函数，承接层又称上文层或状态层，它用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时算子
㊂
图１㊀Ｅｌｍａｎ网络结构
Ｅｌｍａｎ神经网络的特点是隐含层的输出通过承接层的延迟和存储，自联到隐含层的输入㊂这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增强了网络本身处理动态信息的能力，从而达到动态建模的目的㊂此外，Ｅｌｍａｎ神经网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形式，如果给出任意的输入输出数据对，就可对系统进行建模［６－７］㊂
假设Ｅｌｍａｎ模型的输入项ＭｇＯ㊁ＦｅＯ㊁ＳｉＯ２组成的向量为ｕ（ｋ－１），输出项转鼓强度㊁耐磨指数组成的向量为ｙ（ｋ），中间层向量为ｘ（ｋ）（本文选取９个中间节点），则Ｅｌｍａｎ神经网络的数学模型如下：
ｙ（ｋ）＝ｇ［ω３ｘ（ｋ）］（１）
ｘ（ｋ）＝ｆ｛ω１ｘ
ｃ（ｋ）＋ω２［ｕ（ｋ－１）］｝（２）
ｘｃ（ｋ）＝ｘ（ｋ－１）（３）式中：ｙ为２维输出结点向量；ｘ为９维中间层结点单元向量；ｕ为３维输入向量；ｘｃ为９维反馈状态向量；ω３为中间层至输出层连接权值；ω２为输入层至中间层连接权值；ω１为承接层到中间层的连接权值；ｇ（∗）为输出神经元传递函数，是中间层输出的线性组合；ｆ（∗）为中间层神经元传递函数，本文采用ｓｉｇ⁃ｍｏｉｄ函数，具体表现形式如下：
ｆ（ｘ）＝１１＋ｅ－ｘ（４）Ｅｌｍａｎ神经网络学习指标函数采用误差平方和函数：
Ｅ＝ðｎｋ＝１［ｙ（ｋ）－ｄ（ｋ）］２（５）式中ｄ（ｋ）为期望输出㊂
２㊀Ｅｌｍａｎ预测模型仿真结果分析
对获取的历史烧结生产数据进行分析除异处理后共获得１８０组样本数据，为消除不同量纲的数据对模型的精度造成的影响，将所有样本数据映射到［０，１］区间内，随机选取其中７０％组样本数据对Ｅｌ⁃ｍａｎ网络模型进行学习训练，剩下的３０％组数据对模型进行验证㊂将瞬发γ中子活化分析（ＰＧＮＡＡ）成分技术的工业物料在线检测仪器检测得到的２０组数据经在线预测系统的化学式转化后作为预测模型的输入，对烧结矿转鼓强度和耐磨指数进行预测，预测结果如图２㊁图３所示，从仿真曲线能够直观地看出，烧结矿转鼓强度和耐磨指数的预测值变化曲线是以实际检测值变化曲线为中心波动，两条曲线基本符合
㊂
图２㊀
转鼓强度模型预测与实际检验值对比
沉没之鱼
图３㊀耐磨指数预测值与实际检验值对比
样本预测值和实际值的比较结果见表１和表２，由表可知，烧结矿转鼓强度和耐磨指数的预测值和实际检测值的平均绝对误差分别为０．１１１％和０．０４７％，转鼓强度和耐磨指数的平均相对误差分别为０．１４０％和０．９１０％㊂预测值与实际检测值得偏差不超过ʃ０．３，符合预期精度，说明建立的Ｅｌｍａｎ神经网络预测模型能较准确地预报转鼓强度和耐磨指数，对烧结过程工艺参数的调控有很大的参考性㊂３㊀结束语
文中通过Ｅｌｍａｎ神经网络算法结合使用基于ＰＧＮＡＡ技术的在线检测仪器从烧结矿成分中的ＦｅＯ㊁ＭｇＯ㊁ＳｉＯ２３个方面建立模型对烧结矿转鼓强度和耐
表１㊀转鼓强度数据比对
序号模型预测值／％实际检测值／％绝对误差／％相对误差／％
１７９．２６４８７９．４２０．１５５２０．１９５４２２７９．７８４４７９．９００．１１５６０．１４４６８３７９．５１７９７９．７１０．１９２１０．２４０９９８６４７９．３５１８７９．３９０．０３８２０．０４８１２５７９．５７５３７９．５４０．０３５３０．０４４３８６７９．４２２３７９．３８０．０４２３０．０５３２８８
７７９．３９７１７９．４５０．０５２９０．０６６５８８７９．８９６４８０．０４０．１４３６０．１７９４１９
７９．８０８４７９．６８０．１２８４０．１６１１４５１０７９．３４２８７９．２４０．１０２８０．１２９７３２１１７９．３４４８７９．４５０．１０５２０．１３２４１１２７９．５７６２７９．８２０．２４３８０．３０５４４１３７９．３９０１７９．３１０．０８０１０．１００９９６
１４７９．４００９７９．４１０．００９１０．０１１４６１５７９．３４０８７９．５７０．２２９２０．２８８０５１６７９．４７８４７９．１８０．２９８４０．３７６８６３兰陵笑笑生
１７７９．５１５３７９．５２０．００４７０．００５９１１８７９．３８２０７９．４００．０１８０．０２２６７１９７９．７７３６７９．９４０．１６６４
０．２０８１６２０７９．８７５０
７９．８１
０．０６５０．０８１４４３
金山毒霸6表２㊀耐磨指数数据比对
序号模型预测值／％实际检测值／％绝对误差／％
相对误差／％
１５．１７９９５．２００．０２０１０．３８６５３８２５．２４３８５．２９０．０４６２０．８７３３４６３５．２０７５５．０３０．１７７５３．５２８８２７４５．３０９８５．２７０．０３９８０．７５５２１８５５．３００８５．２９０．０１０８０．２０４１５９６５．３０９８５．１３０．１７９８３．５０４８７３７５．１９４２５．１６０．０３４２０．６６２７９１８５．２７２１５．３００．０２７９０．５２６４１５９
５．２３７８５．２８０．０４２２０．７９９２４２１０５．２８６３５．３８０．０９３７１．７４１６３６１１５．２２００５．１８０．０４０．３５９０２３１２５．３００９５．３２０．０１９１０．３５９０２３１３５．３２２９５．３３０．００７１０．１３３２０８１４５．２１８１５．１９０．０２８１０．５４１４２６１５５．１８０４５．２００．０１９６０．３７６９２３１６５．１６５２５．１９０．０２４８０．４７７８４２１７５．２３０９５．２９０．０５９１１．１１７２０２１８５．２４２９５．２６０．０１７１０．３２５０９５１９５．２７００５．２２０．０５０．９５７８５４２０５．１９１５
葫芦岛市商业银行５．２０
０．００８５０．１６３４６２
磨指数进行预报㊂仿真结果表明Ｅｌｍａｎ预测模型的预测值与实际检测值之间的误差在允许误差之内，预测结果比较准确，对烧结过程的工艺调控有实际指导价值㊂后续研究可以在影响烧结矿质量因素数据的收集及模型结构的优化方面继续深入㊂
（下转第１０４页）
图３㊀
网络覆盖率对比曲线
图４㊀网络覆盖图
部署优化策略进行研究，面向制造车间应用，改进了一种有向感知模型，针对有向感知模型参数优化求解问题，设计了一种惯性权重余弦自适应调整，同时学习因子基于惯性权重自行调节粒子算法，并进行仿真对比验证㊂实验结果表明，改进算法在保证粒子稳定性的基础上，提高了粒子算法收敛速度以及全局搜索能力，显著提升了制造车间无线传感器网络的覆盖率㊂
参考文献：
［１］㊀张希伟，戴海鹏，徐力杰，等．无线传感器网络中移动协助
的数据收集策略［Ｊ］．软件学报，２０１３（２）：１９８－２１４．［２］㊀穆天圆，乔学工，张敏．基于Ｖｏｒｏｎｏｉ图的蜂优化算法在
ＷＳＮ覆盖中的应用［Ｊ］．传感技术学报，２０１５（１０）：１５２５－１５３０．
［３］㊀熊伟丽，刘欣，陈敏芳，等．基于差分蜂算法的无线传感
㊀㊀
器网络节点分布优化［Ｊ］．控制工程，２０１４（６）：１０３６－１０４０．
［４］㊀霍慧慧，李国勇．改进的离散果蝇优化算法在ＷＳＮｓ覆盖
中的应用［Ｊ］．传感器与微系统，２０１６（２）：１５７－１６０．［５］㊀关志艳，耿岩．虚拟力导向聚智能优化的无线传感器网
络覆盖策略［Ｊ］．传感器与微系统，２０１５（１）：４０－４２．［６］㊀吕丹，童创明，钟卫军．基于粒子和模拟退火算法的混
合算法研究［Ｊ］．计算机工程与设计，２０１１，３２（２）：６６３－６６６．
［７］㊀韩睿松，杨维．基于改进虚拟势场的煤矿井下ＷＭＳＮ覆
盖增强算法［Ｊ］．煤炭学报，２０１５（４）：９５９－９６４．
［８］㊀韩睿松，杨维．基于改进粒子优化的井下ＷＭＳＮ覆盖
增强算法［Ｊ］．中国矿业大学学报，２０１６（１）：１７０－１７５．［９］㊀ＫＥＮＮＥＤＹＪ，ＥＢＥＲＨＡＲＴＲ．Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ
［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１９９５ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ
ｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ．１９９５．
［１０］㊀ＥＢＥＲＨＡＲＴＲＣ，ＫＥＮＮＥＤＹＪ．Ａｎｅｗｏｐｔｉｍｉｚｅｒｕｓｉｎｇ
ｐａｒｔｉｃｌｅｓｗａｒｍｔｈｅｏｒｙ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅｓｉｘｔｈｉｎｔｅｒｎａ⁃ｔｉｏｎａｌｓｙｍｐｏｓｉｕｍｏｎｍｉｃｒｏｍａｃｈｉｎｅａｎｄｈｕｍａｎｓｃｉｅｎｃｅ．
１９９５．
［１１］㊀ＳＨＩＹ，ＥＢＥＲＨＡＲＴＲ．Ａｍｏｄｉｆｉｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉ⁃
ｚｅｒ［Ｃ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ
ｏｎＥｖｏｌｕｔｉｏｎａｒｙＣｏｍｐｕｔａｔｉｏｎ，１９９８．
［１２］㊀姜长元，赵曙光，沈士根，等．惯性权重正弦调整的粒子
算法［Ｊ］．计算机工程与应用，２０１２（８）：４０－４２．［１３］㊀赵远东，方正华．带有权重函数学习因子的粒子算法［Ｊ］．计算机应用，２０１３（８）：２２６５－２２６８．［１４］㊀吴晓军，杨战中，赵明．均匀搜索粒子算法［Ｊ］．电子学报，２０１１（６）：１２６１－１２６６．
作者简介：李少波（１９７３ ），教授㊁博士生导师，主要研究领域
为智能制造㊁多源数据融合与集成㊂Ｅ⁃ｍａｉｌ：ｌｉｓｈａｏｂｏ＠ｇｚｕ．ｅｄｕ．ｃｎ
张成龙（１９９２ ），硕士研究生，主要研究领域为无线传感器网络㊁多源数据融合与集成㊂Ｅ⁃ｍａｉｌ：９９５０１０１７４＠ｑｑ．ｃｏｍ
（上接第１００页）
参考文献：
［１］㊀陈海军．烧结矿能耗研究［Ｊ］．黑龙江冶金，２０１３，３３（２）：９－１１．
来易来去难去
［２］㊀黎建明，杨兆祥．烧结过程数学模型的研究［Ｊ］．烧结球
防老剂dnp
团，１９９０，１５（５）：１－９．
［３］㊀ＪＩＡＷＢ，ＨＥＩＤＱ，ＣＨＥＮＧＣ，ｅｔａｌ．ＯｐｔｉｍｉｚａｔｉｏｎｏｆＰＧ⁃
ＮＡＡｓｅｔ⁃ｕｐｆｏｒｔｈｅｅｌｅｍｅｎｔｓｄｅｔｅｃｔｉｏｎｉｎａｑｕｅｏｕｓｓｏｌｕｔｉｏｎ
［Ｊ］．ＳｃｉｅｎｃｅＣｈｉｎａ，２０１４，５７（３）：６２５－６２９．［４］㊀毛健，赵红东，姚婧婧．人工神经网络的发展及应用［Ｊ］．
电子设计工程，２０１１，１９（２４）：６２－６５．［５］㊀陈有升，罗秀传．影响烧结矿转鼓强度的因素研究［Ｊ］．
柳钢科技，２０１０（１）：４－８．
［６］㊀尤马彦，凌捷，郝彦军．基于Ｅｌｍａｎ神经网络的网络安全
态势预测方法［Ｊ］．计算机科学，２０１２，３９（６）：６１－６３．［７］㊀张靠社，杨剑．基于Ｅｌｍａｎ神经网络的短期风电功率预测［Ｊ］．电网与清洁能源，２０１２，２８（１２）：８７－９１．
作者简介：汪清瑶（１９９１ ），硕士研究生，主要研究领域为控制
科学与工程㊂Ｅ⁃ｍａｉｌ：ｃｕｒｌｙｆｕ＠１６３．ｃｏｍ
刘琼（１９６９ ），副教授，硕士生导师，主要研究领域为计算机控制技术及应用和电气传动与智能自动化㊂Ｅ⁃ｍａｉｌ：ｊａｎｅｔｌｉｕｑｉｏｎｇ＠１６３．ｃｏｍ
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议