本文關(guān)鍵詞：基于徑向基網(wǎng)絡(luò)和支持向量機算法的板形缺陷識別的研究

  更多相關(guān)文章： 板形 模式識別 神經(jīng)網(wǎng)絡(luò) K-均值聚類 最小二乘支持向量機

【摘要】：鋼材是國民經(jīng)濟發(fā)展中必不可少的物質(zhì)基礎(chǔ),帶鋼作為主要的鋼產(chǎn)品,已成為電氣、汽車、民用等行業(yè)廣泛使用的原材料。冷軋帶鋼在連續(xù)生產(chǎn)過程中,會出現(xiàn)各種各樣的板形缺陷,影響后續(xù)軋制和帶鋼質(zhì)量。因此,如何通過板形檢測數(shù)據(jù)和模式識別方法,得到帶鋼板形缺陷類型和特征參數(shù),提高板形識別的速度和精度,使后續(xù)軋制出的板形滿足用戶對帶鋼平直度的要求,是一個十分關(guān)鍵的問題。本文主要對板形缺陷模式識別進行研究,通過模型識別出的板形特征參數(shù),分析板形缺陷識別方法的優(yōu)缺點,并在此基礎(chǔ)上提出板形缺陷識別的新方法。(1)針對傳統(tǒng)最小二乘法不能識別復(fù)雜板形,而BP神經(jīng)網(wǎng)絡(luò)識別法權(quán)值難以確定的問題,將GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)用于板形識別中。通過仿真分析,GA優(yōu)化的識別模型,識別精度高于BP網(wǎng)絡(luò),但識別速度明顯變慢,不適用于在線板形識別。(2)將K-均值RBF神經(jīng)網(wǎng)絡(luò)運用到板形缺陷識別中,通過K-均值聚類確定徑向基函數(shù)的中心C,方差σ。針對網(wǎng)絡(luò)輸入較多,擬合復(fù)雜性增加的問題,采用加權(quán)歐式距離差將輸入量由20個減少到3個。經(jīng)過仿真實驗,將GA-BP、GA-RBF和K-RBF識別方法進行比較,結(jié)果表明K-均值聚類的RBF方法能夠準確識別出六種常見的板形缺陷類型,識別精度較高,速度最快。(3)由于最小二乘支持向量機(LSSVM)在非線性、小樣本情況下模式識別效果較好,將LSSVM用在板形缺陷識別中。通過仿真表明LSSVM可以精確的識別出板形特征參數(shù),五組樣本的識別誤差略低于K-RBF法,適用于冷軋板形的在線調(diào)節(jié)。通過上述研究表明,K-均值聚類的RBF法和最小二乘支持向量機法對板形缺陷的識別效果優(yōu)于現(xiàn)在常用的BP神經(jīng)網(wǎng)絡(luò)法,符合板形在線識別結(jié)果精確、速度快的要求,可以應(yīng)用到實際工程中。
【關(guān)鍵詞】：板形 模式識別 神經(jīng)網(wǎng)絡(luò) K-均值聚類 最小二乘支持向量機
【學位授予單位】：河北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TG334.9
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-15
• 1.1 板形識別的背景及研究意義9-10
• 1.2 板形識別技術(shù)的發(fā)展情況10-13
• 1.2.1 板形識別的現(xiàn)狀10-12
• 1.2.2 板形識別的發(fā)展方向12-13
• 1.3 本課題研究的主要內(nèi)容13-15
• 第二章 板形的相關(guān)基礎(chǔ)及理論概述15-22
• 2.1 板形基礎(chǔ)知識15-18
• 2.1.1 板形的概念15
• 2.1.2 板形表示方法15-17
• 2.1.3 板形缺陷分類17-18
• 2.2 板形檢測、識別與控制18-20
• 2.2.1 板形信號檢測18-19
• 2.2.2 板形模式識別19
• 2.2.3 板形控制手段19-20
• 2.3 本章小結(jié)20-22
• 第三章 板形缺陷模式識別方法的研究22-38
• 3.1 板形缺陷的基本模式22-23
• 3.2 板形缺陷模式識別的傳統(tǒng)方法23-26
• 3.2.1 最小二乘法的板形模式識別23-24
• 3.2.2 基于勒讓德多項式的最小二乘板形模式識別24-26
• 3.3 板形缺陷模式識別的智能方法26-37
• 3.3.1 BP神經(jīng)網(wǎng)絡(luò)板形模式識別26-31
• 3.3.2 基于GA優(yōu)化的BP網(wǎng)絡(luò)板形識別模型31-35
• 3.3.3 仿真與分析35-37
• 3.4 本章小結(jié)37-38
• 第四章 基于K均值聚類的RBF網(wǎng)絡(luò)識別方法38-53
• 4.1 RBF神經(jīng)網(wǎng)絡(luò)38-41
• 4.1.1 RBF神經(jīng)網(wǎng)絡(luò)原理38-40
• 4.1.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)40-41
• 4.2 基于K-均值聚類算法的RBF網(wǎng)絡(luò)識別41-46
• 4.2.1 數(shù)據(jù)的歸一化處理41-42
• 4.2.2 基于模糊距離的輸入輸出42-43
• 4.2.3 K-均值聚類算法確定RBF隱節(jié)點的數(shù)據(jù)中心43-46
• 4.3 仿真與分析46-52
• 4.4 復(fù)雜性與推廣能力52
• 4.5 本章小結(jié)52-53
• 第五章 支持向量機法進行板形模式識別53-63
• 5.1 支持向量機53-57
• 5.1.1 支持向量機基本原理53-56
• 5.1.2 特征空間映射與核函數(shù)56-57
• 5.2 最小二乘支持向量機用于板形識別57-62
• 5.2.1 最小二乘支持向量機原理57-58
• 5.2.2 LSSVM板形識別模型的建立58-59
• 5.2.3 仿真與分析59-62
• 5.3 本章小結(jié)62-63
• 第六章 結(jié)論63-65
• 參考文獻65-69
• 攻讀學位期間所發(fā)表的學術(shù)論文目錄69-70
• 致謝70

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 張清東，，陳先霖，徐金梧;板形缺陷模式識別方法的研究[J];鋼鐵;1996年S1期

2 楊光輝;張杰;李洪波;閆沁太;賈生暉;褚玉剛;;超寬帶鋼典型板形缺陷向量提取方法[J];北京科技大學學報;2014年04期

3 華建新;人工神經(jīng)網(wǎng)絡(luò)在板形缺陷識別中的應(yīng)用[J];寶鋼技術(shù);1998年03期

4 陶紅勇,王京,劉聰;基于RBF神經(jīng)網(wǎng)絡(luò)的板形缺陷識別[J];新疆鋼鐵;2003年02期

5 馮曉華;劉鵬;李靜;徐美玲;;一種改進的基于神經(jīng)網(wǎng)絡(luò)的板形缺陷識別方法[J];重型機械;2009年06期

6 常鐵柱;張清東;白劍;姜正連;吳彬;;軟質(zhì)鍍鋅薄帶鋼卷取中邊部板形缺陷的產(chǎn)生機理與解決措施[J];北京科技大學學報;2008年02期

7 徐興龍;孫志輝;李宣;;1400F鋁帶軋機板形缺陷識別處理[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2006年06期

8 李秀軍;吳首民;;DCR機組復(fù)雜板形缺陷產(chǎn)生機理與控制研究[J];機械工程與自動化;2013年04期

9 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 侯元新;;冷軋機板形缺陷分析及控制方法[A];第二屆鋼材質(zhì)量控制技術(shù)——形狀、性能、尺寸精度、表面質(zhì)量控制與改善學術(shù)研討會文集[C];2012年

2 安世奇;王京;孫一康;;基于人工神經(jīng)網(wǎng)絡(luò)的板形缺陷識別[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

中國碩士學位論文全文數(shù)據(jù)庫 前5條

1 陳瑤;基于徑向基網(wǎng)絡(luò)和支持向量機算法的板形缺陷識別的研究[D];河北工業(yè)大學;2015年

2 馮曉華;冷軋帶鋼板形缺陷模式識別的研究[D];西安理工大學;2005年

3 董振虎;熱軋帶鋼板形缺陷的識別[D];濟南大學;2012年

4 王超;板形缺陷的多輥矯直技術(shù)及其應(yīng)用研究[D];浙江大學;2014年

5 張濤;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];遼寧科技大學;2014年

本文編號：797064