关于新时期农村集体建设用地使用权流转的探讨

总结前人大量经验,从经营现状、发展趋势、存在问题以及对策等方面对农村土地流转进行了详细研究总结,认为要不断促进宏观管理和微观市场机制有机结合,从而促使农村土地真正地流转起来。

基于改进PSO神经网络冷轧带钢厚度控制仿真研究

在面对变时滞、强耦合的非线性系统时,传统的比例-积分-微分控制器存在参数整定困难和控制精度不高的实际问题。为了解决这些问题,提出了一种使用粒子群算法优化反面传递的方法,该方法可以有效地提高控制精度,并且可以有效地减少参数整定的困难,从而提高控制的效率。神经网络PID控制是BP的一种重要方法,这种方法能够实时调整PID系数值,大大改善了BP-PID系统的控制特性,从而有效地改善了系统的控制速度和控制精度。将改进的粒子群算法训练的神经网络应用于冷轧带钢厚度控制。仿真结果表明,与普通粒子群算法相比较,该算法响应速度快、控制误差精度高,具有较好的动态特性和系统稳定性。

改进人工蜂群算法在注塑机温控系统中的应用

为提高注塑机电磁感应加热装置温度控制系统的控制精度和响应速度,提出了一种基于改进人工蜂群算法的电磁加热温度控制策略。该策略在传统人工蜂群算法基础上,向当前种群最优个体和随机个体中增加了学习因子,在目标函数中融入超调量机制。仿真结果表明:与带Smith预估控制的线性二次最优比例积分微分控制方法和粒子群算法相比,采用改进人工蜂群算法温度控制系统升至100℃时的误差小,控制精度高,阶跃响应平滑。

基于PCA-RF的热轧带钢板凸度预测

为了满足日益增长的带钢板凸度预测精度和速度要求,建立了一种基于降维的主成分分析(Principal Component Analysis,PCA)协同随机森林(Random Forest,RF)的板凸度预测模型。首先,应用Pauta准则去除异常值,用五点三次平滑公式进行降噪处理;其次采用主成分分析法对数据进行降维,利用载荷矩阵选取关键控制变量;最后利用关键控制变量建立基于随机森林的板凸度预测模型,并与支持向量机回归(Support Vector Regression,SVR)、最近邻(K Nearest Neighbor,KNN)、轻量梯度提升机(light Gradient Boosting Machine,LightGBM)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型进行比较。结果表明,PCA-RF模型将参数由93维降低到15维,极大地减少了建模时间,且PCA-RF对测试集预测的决定系数(Coefficient of Determination,R^(2))、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为0.9820、1.4852μm和2.2603μm,均优于其他预测模型,且98%以上样本点的预测误差为-3~3μm,满足板凸度预测的精度要求。从而证明该模型能够通过降维减少建模时间,同时实现了带钢板RF凸度的高精度预测,为热轧带钢板凸度的研究提供了一定的参考。

基于BO-LightGBM混合模型的热轧带钢板凸度预测

为了满足日益增长的热轧带钢板凸度预测要求,建立了基于贝叶斯优化(Bayesian Optimization,BO)结合轻量梯度提升机(Light Gradient Boosting Machine,Light GBM)的板凸度预测模型BO-Light GBM。首先通过贝塞尔公式去除异常值,并经过五点三次平滑降噪。其次,建立Light GBM模型进行板凸度预测,最后通过贝叶斯优化算法选择最优参数,得到最优的模型,并与梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)模型XGBoost、GBDT、RF算法进行比较。实验表明,基于BO-light GBM的板凸度预测模型优于XGBoost、GBDT、RF模型,对测试集预测的决定系数(Coefficient of Determination,R2)、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为0.97、1.49、2.28μm,均优于其他预测模型,且98%以上样本点的预测误差在-4~4μm,满足板凸度预测的精度要求。同时为了进一步验证该模型的预测稳定性,将模型运行100次后,R2、MAE和RMSE的分布仍处于最优位置,所以认为BO-LIght GBM是值得推荐的板凸度预测模型。