發(fā)布時間：2024-04-20 17:47

　　近年來,我國鋼鐵工業(yè)發(fā)展迅速,鋼鐵產(chǎn)量規(guī)模位居世界前列。因為鋼鐵被廣泛應用于社會的各個領域,例如橋梁、高樓、船舶、機械、鐵路以及航空等,因此,鋼材的質(zhì)量會直接影響到民生領域和社會公共安全。鋼材的力學性能主要體現(xiàn)在鋼材的抗拉強度上。近年來,深度學習發(fā)展迅速,憑借其強大的自動特征提取能力,可以對大量數(shù)據(jù)進行快速分析,具有強大的數(shù)據(jù)擬合能力,因此在數(shù)據(jù)特征提取及預測方面得到了廣泛的應用,取得了良好的效果。為了提高鋼材抗拉強度的預測精度,本文將深度卷積網(wǎng)絡(CNN)與長短期記憶網(wǎng)絡(LSTM)相結(jié)合,采用進化算法優(yōu)化網(wǎng)絡參數(shù),將所建模型應用于熱軋鋼的性能預測。論文主要內(nèi)容如下:(1)分析了關于軋鋼性能預測的研究現(xiàn)狀,介紹了軋鋼工藝的流程和相關的成分元素。針對軋鋼數(shù)據(jù)的波動性大、信噪比低、分布不均等特點,采用最小最大標準化和異常點檢測等方法對樣本數(shù)據(jù)進行預處理。(2)介紹了卷積神經(jīng)網(wǎng)絡的相關理論和基礎知識,并將卷積神經(jīng)網(wǎng)絡應用于本文的熱軋鋼數(shù)據(jù)的特征提取。該模型憑借其局部感受野機制,通過組合低層特征,形成更加抽象的高層表示,發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示,不僅可以減少從軋鋼數(shù)據(jù)中提取特征的難度,而且可...

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【部分圖文】：

圖2.1軋鋼工藝流程圖

軋鋼工藝流程圖如圖2.1:2.1.2力學性能影響因素分析

圖3.1卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡與一般的深度神經(jīng)網(wǎng)絡的結(jié)構(gòu)不同,它的構(gòu)成部分主要有卷積層和池化層。一個基本的卷積神經(jīng)網(wǎng)絡由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成。在卷積網(wǎng)絡中,卷積層后面一般會跟隨一個池化層,交疊出現(xiàn),最后再與全連接層相連。卷積網(wǎng)絡卷積層的神經(jīng)元只連接到部分神經(jīng)元,而不是所有神....

圖3.2卷積操作示意圖

卷積層是卷積核對上一輸入層通過滑動卷積窗口計算而得,卷積核中的參數(shù)相當于傳統(tǒng)神經(jīng)網(wǎng)絡中的神經(jīng)元連接權重,與對應的局部數(shù)據(jù)相連接,將卷積核的各個權值參數(shù)與對應的圖像矩陣相乘再加上一個偏置,得到卷積層的特征選取結(jié)果。和傳統(tǒng)神經(jīng)網(wǎng)絡層間全連接不同,卷積神經(jīng)網(wǎng)絡層與層部分連接,層中的每一....

圖3.3亞采樣操作示意圖

在進行亞采樣時,因為我們只取了最大值或平均值來代表窗口,即使窗口的少數(shù)值發(fā)生變化對網(wǎng)絡的影響也是很小的,因此亞采樣過程增強了模型的泛化能力。此外,亞采樣層也起到了降維的作用,加速了網(wǎng)絡的訓練。3.1.3局部連接和權值共享

本文編號：3959757