隨著社會經(jīng)濟的發(fā)展,鋼鐵行業(yè)扮演著越來越重要的角色,許多行業(yè)對現(xiàn)代冷軋帶鋼的生產(chǎn)提出了更高的要求。板形是檢驗板帶材質(zhì)量的重要指標(biāo)之一,它是決定板帶產(chǎn)品質(zhì)量好壞的關(guān)鍵,如何實現(xiàn)對板形快速、穩(wěn)定、精確的控制成為國內(nèi)研究學(xué)者的重要課題。其中板形識別是整個板形閉環(huán)控制系統(tǒng)中的基礎(chǔ)和重要環(huán)節(jié),其識別結(jié)果對后續(xù)的板形控制至關(guān)重要。近年來,隨著人工智能的興起,越來越多的學(xué)者將人工智能應(yīng)用到板形缺陷識別中,并且大大提高了板形識別的精度,這有利于今后的板形控制�；诖吮疚牡闹饕ぷ魅缦�:針對傳統(tǒng)板形缺陷識別方法存在精度低等問題,提出了一種混合優(yōu)化RBF-BP神經(jīng)網(wǎng)絡(luò)板形識別方法。首先利用自組織競爭映射網(wǎng)絡(luò)（SOM）對樣本聚類,利用聚類后的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定RBF的中心與寬度,克服了傳統(tǒng)聚類算法隨機選取中心導(dǎo)致聚類結(jié)果不穩(wěn)定的問題;然后利用遺傳算法（GA）良好的全局搜索能力優(yōu)化網(wǎng)絡(luò)的權(quán)值。RBF-BP網(wǎng)絡(luò)同時具備BP神經(jīng)網(wǎng)絡(luò)能較好地預(yù)測未知樣本的能力以及RBF神經(jīng)網(wǎng)絡(luò)的逼近速度快的優(yōu)點。最后仿真結(jié)果表明混合優(yōu)化RBF-BP神經(jīng)網(wǎng)絡(luò)的板形識別方法能夠識別出常見的板形缺陷,并且板形識別精度提高了48.02%。考... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

kikNiIdIgkikiexp(),1,2,,;1,2,,22max X t 陣W 為: wiIjJijW , 1,2, ,; 1,2, ,BP 神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法 世紀(jì)八十年代，以 Rumelhart 和 McClelland 為首的研究學(xué)者提出了 其主要的特點是信號是前向傳播的，而誤差是反向傳播的。BP 神經(jīng)經(jīng)網(wǎng)絡(luò)一樣，也是由輸入層、隱含層、輸出層組成的，只是 BP 神經(jīng)網(wǎng)層數(shù)不確定，需要根據(jù)具體問題具體分析，并且 BP 網(wǎng)絡(luò)隱含層節(jié)點的為 Sigmoid 型，輸出層節(jié)點的單元特性一般為線性。BP 網(wǎng)絡(luò)實質(zhì)上實入到輸出的映射功能，并且具有很強的非線性映射能力和自學(xué)習(xí)和自較好的泛化能力，這使得它是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。其中三層圖 2-2 所示。

圖 2-3 SOM 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)絡(luò)輸出層的節(jié)點個數(shù)與訓(xùn)練樣本的類別數(shù)有關(guān)，且節(jié)點個數(shù)別個數(shù)，否則網(wǎng)絡(luò)訓(xùn)練時會將類別不同但模式相近的樣本劃類不準(zhǔn)確；如果節(jié)點個數(shù)設(shè)置的過多會導(dǎo)致網(wǎng)絡(luò)的有些權(quán)值與更新，出現(xiàn)“死節(jié)點”的情況，這不僅會增加網(wǎng)絡(luò)訓(xùn)練時影響最后的結(jié)果。通常網(wǎng)絡(luò)的輸出節(jié)點個數(shù)在滿足 SOM 神經(jīng)要經(jīng)過多次實驗確定。絡(luò)可以對數(shù)據(jù)進行無監(jiān)督聚類，但它又與 K-means 聚類不同一個初始聚類中心，訓(xùn)練時采用“競爭與合作”的方式。競爭競爭層中找到一個與之最匹配的點，這樣的點叫獲勝點，也經(jīng)元也是鄰近神經(jīng)元合作的基礎(chǔ)；合作過程：在權(quán)值向量更經(jīng)元的權(quán)值向量要更新，而且其鄰近神經(jīng)元的權(quán)值向量也按新。SOM 網(wǎng)絡(luò)的具體學(xué)習(xí)過程如下：化：設(shè)輸入向量為 (,,,)X X X X，與輸出層神經(jīng)元 j 相

【參考文獻】：
期刊論文
[1]中國鋼鐵行業(yè)的現(xiàn)狀和展望[J]. 陸平軍.  市場論壇. 2019(03)
[2]高質(zhì)量中厚板生產(chǎn)關(guān)鍵共性技術(shù)研發(fā)現(xiàn)狀和前景[J]. 王國棟.  軋鋼. 2019(01)
[3]智能制造助力鋼鐵行業(yè)技術(shù)進步[J]. 王新東,閆永軍.  冶金自動化. 2019(01)
[4]新時代鋼鐵工業(yè)高質(zhì)量發(fā)展之路[J]. 李新創(chuàng).  鋼鐵. 2019(01)
[5]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的板形模式識別模型[J]. 宋明明,王東城,張帥,徐揚歡,劉宏民.  鋼鐵. 2018(11)
[6]冷軋帶鋼虛擬儀器板形測控系統(tǒng)及其應(yīng)用[J]. 楊利坡,于華鑫,張永順,劉宏民.  機械工程學(xué)報. 2018(14)
[7]基于GA-BP神經(jīng)網(wǎng)絡(luò)的彎輥力預(yù)設(shè)定模型研究與應(yīng)用[J]. 田寶亮,牛培峰.  礦冶工程. 2018(01)
[8]基于FOA優(yōu)化SOM-RBF的壓力傳感器溫度補償研究[J]. 楊松,李開林,胡國清,周永宏,鄒崇.  儀表技術(shù)與傳感器. 2018(02)
[9]基于小波消噪和優(yōu)化支持向量機的板形模式識別[J]. 吳忠強,康曉華,于丹琦.  中國機械工程. 2018(01)
[10]基于優(yōu)化終端滑模模糊神經(jīng)網(wǎng)絡(luò)的板形模式識別[J]. 吳忠強,康曉華,于丹琦.  礦冶工程. 2017(05)

博士論文
[1]基于GAPSO-BP算法的高階板形在線模式識別及其檢測系統(tǒng)[D]. 陳飛.燕山大學(xué) 2016
[2]冷帶軋機板形智能識別與智能控制研究[D]. 張秀玲.燕山大學(xué) 2003

碩士論文
[1]冷軋板形缺陷識別的免疫遺傳RBF-BP神經(jīng)網(wǎng)絡(luò)方法[D]. 張濤.遼寧科技大學(xué) 2014
[2]基于人工智能的冷帶軋機板形模式識別與控制[D]. 逄宗鵬.燕山大學(xué) 2010



本文編號：3131280