隨著工業(yè)的飛速發(fā)展,建筑、汽車、船舶、鐵路管道等眾多領域對熱軋帶鋼產品性能的要求日益嚴苛。如何精準預報熱軋帶鋼的力學性能,對廣大鋼鐵企業(yè)的進一步發(fā)展具有重要意義。深度學習（DL,Deep Learning）是機器學習（ML,Machine Learning）的一個重要研究方向。隨著計算機硬件性能的不斷提升,數據量的積累日益增多,深度學習以其出色的特征提取能力受到越來越多科研工作者的青睞,其中最具代表性的模型便是卷積神經網絡（CNN,Convolutional Neural Network）。經過隨機初始化后的卷積神經網絡能夠從大量圖像數據中自動學習圖像的特征,其局部連接方式和權值共享特性能有效減少了模型中需要計算的參數個數,降低了模型復雜度�；谝陨戏治�,本文提出基于深度學習技術的熱軋帶鋼力學性能預報模型。首先,本文基于深度前饋神經網絡建立了熱軋帶鋼力學性能預報模型,以抗拉強度作為研究對象。實驗結果表明在熱軋帶鋼力學性能預報建模問題上,深度前饋神經網絡有不錯的效果。然后,考慮到一維數值型數據難以表達出影響因素間復雜的交互作用關系,提出將一維數值型數據轉換為二維圖像和三維圖像數據進行建模... 

【文章來源】：武漢科技大學湖北省

【文章頁數】：74 頁

【學位級別】：碩士

【部分圖文】：

Sigmoid激活函數圖

tanh激活函數圖

圖 2.4 ReLU 激活函數圖文可知，淺層神經網絡又被稱為只含一個隱藏層的神經網絡，那么對一個的神經網絡，我們都可以稱其為深層神經網絡。如圖 2.5 表示的是

【參考文獻】：
期刊論文
[1]基于卷積神經網絡的熱軋帶鋼力學性能預報[J]. 胡石雄,李維剛,楊威.  武漢科技大學學報. 2018(05)
[2]融合大數據與冶金機理的熱軋帶鋼力學性能預報模型[J]. 李維剛,楊威,趙云濤,胡恒法.  鋼鐵研究學報. 2018(04)
[3]基于隨機森林的鋼材性能預報與影響因素篩選[J]. 楊威,李維剛,趙云濤,嚴�？�,王文波.  鋼鐵. 2018(03)
[4]深層網絡中的梯度消失現(xiàn)象[J]. 周祥全,張津.  科技展望. 2017(27)
[5]熱軋含Nb高強鋼力學性能預報模型[J]. 李維剛,胡石雄,劉斌,趙剛,胡恒法.  冶金自動化. 2017(02)
[6]基于大數據的力學性能預測與工藝參數篩選[J]. 吳思煒,劉振宇,周曉光,史乃安.  鋼鐵研究學報. 2016(12)
[7]熱軋帶鋼組織性能預報模型及應用[J]. 王蕾,唐荻,宋勇.  鋼鐵. 2016(11)
[8]過程工業(yè)大數據建模研究展望[J]. 劉強,秦泗釗.  自動化學報. 2016(02)
[9]高Ti-Q550鋼中Nb、Ti第二相的析出行為[J]. 解家英,張利君,王鳳琴.  鋼鐵研究學報. 2013(03)
[10]板帶熱軋工藝設計與組織性能預報模擬平臺開發(fā)[J]. 汪水澤,韓斌,譚文.  軋鋼. 2012(06)

碩士論文
[1]基于神經網絡的IF鋼性能預報[D]. 樊林林.遼寧科技大學 2015
[2]數據挖掘在熱軋板帶質量預測中的應用[D]. 鄭楊元.昆明理工大學 2009



本文編號：3100166