隨著我國(guó)工業(yè)整體實(shí)力的提升和相關(guān)行業(yè)的飛速發(fā)展,工業(yè)生產(chǎn)方面對(duì)鋼鐵材料的質(zhì)量水平要求越來越高。因此,在鋼鐵材料出廠時(shí),必須對(duì)成品進(jìn)行力學(xué)性能指標(biāo)的檢測(cè),判斷其是否符合相關(guān)使用場(chǎng)景的力學(xué)性能要求。另外,一些滿足特定工作環(huán)境的新型鋼鐵材料希望能通過力學(xué)性能檢測(cè)被更快地研發(fā)出來。金屬材料的力學(xué)性能測(cè)試方法大體上可分為三類,即傳統(tǒng)方法、專家系統(tǒng)方法和人工智能方法。然而,因上述方法分別存在精準(zhǔn)性低、知識(shí)獲取量不足、無(wú)聯(lián)想推演和自學(xué)習(xí)能力等缺點(diǎn),較難滿足不斷增長(zhǎng)的熱軋帶鋼力學(xué)性能檢測(cè)需求,迫切需要新理論與方法的提出。該課題研究了一種基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)的熱連軋帶鋼力學(xué)性能智能預(yù)測(cè)方法,并采用某鋼廠的近2萬(wàn)組熱連軋生產(chǎn)過程數(shù)據(jù),驗(yàn)證了方法的有效性。該課題的主要工作和創(chuàng)新點(diǎn)在于:（1）構(gòu)建了具有20個(gè)輸入屬性（15種鋼材成分元素和5個(gè)熱軋工藝參數(shù)）和三個(gè)力學(xué)性能輸出參數(shù)的基于BP神經(jīng)網(wǎng)絡(luò)的熱連軋帶鋼力學(xué)性能預(yù)測(cè)模型,提出了一種基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)參數(shù)全局尋優(yōu)方法,通過采用2萬(wàn)組某鋼廠熱連軋帶鋼生產(chǎn)過程數(shù)據(jù),對(duì)上述模型進(jìn)行了訓(xùn)練和驗(yàn)證,獲得了較好的預(yù)測(cè)效果。（2）在上述研究的基礎(chǔ)上,為了進(jìn)一步提升... 

【文章來源】：冶金自動(dòng)化研究設(shè)計(jì)院北京市

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)元通用模型示意圖

冶金自動(dòng)化研究設(shè)計(jì)院碩士學(xué)位論文18圖2-1神經(jīng)元通用模型示意圖神經(jīng)元的輸出如下式2-1所示，為：=(∑=1)上式中，表示各神經(jīng)元的權(quán)重，表示各神經(jīng)元的輸入。神經(jīng)網(wǎng)絡(luò)則是將多個(gè)神經(jīng)元按一定規(guī)則聯(lián)結(jié)在一起而形成的網(wǎng)絡(luò)結(jié)構(gòu)模型，如圖2-2所示。最基本的BP神經(jīng)網(wǎng)絡(luò)的隱含層的層數(shù)通常為一層，即通常使用的最基本的BP神經(jīng)網(wǎng)絡(luò)是3層網(wǎng)絡(luò)結(jié)構(gòu)。圖2-2神經(jīng)網(wǎng)絡(luò)模型示意圖眾所周知，BP神經(jīng)網(wǎng)絡(luò)是一種非線性映射模型，而這其中的輸入與輸出的非線性轉(zhuǎn)換就是通過作用于BP神經(jīng)網(wǎng)絡(luò)每一層的激活函數(shù)來實(shí)現(xiàn)的。激活函數(shù)的作用就是為BP神經(jīng)網(wǎng)絡(luò)模型添加非線性特性。通常使用最多的激活函數(shù)是Sigmoid函數(shù)（又稱S函數(shù)），其最大的特點(diǎn)就是函數(shù)本身及其導(dǎo)數(shù)都是連續(xù)的，因此在模型處理方面十分方便。S函數(shù)有單極性S型函數(shù)和雙極性S型函數(shù)兩種。(2-1)

第2章優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的鋼材力學(xué)性能預(yù)測(cè)建模19（1）單極性S型函數(shù)的定義如下式2-2所示：()=11+其函數(shù)曲線如圖2-3所示：圖2-3單極性S型函數(shù)曲線圖像示意圖（2）雙極性S型函數(shù)的定義如下式2-3所示：()=11+其函數(shù)曲線如圖2-4所示：圖2-4雙極性S型函數(shù)曲線圖像示意圖在使用單極性S型激活函數(shù)時(shí)，神經(jīng)元輸入如下式2-4所示，為：=11+22++(2-2)(2-3)(2-4)

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林算法的原位質(zhì)譜快速鑒別肺癌的方法研究[J]. 歐陽(yáng)永中,曾玉庭,郭偉清,鄧金連,魏益平.  分析化學(xué). 2020(08)
[2]運(yùn)用隨機(jī)森林模型對(duì)北京市林分蓄積生長(zhǎng)量的預(yù)測(cè)[J]. 盧婧,馮仲科.  東北林業(yè)大學(xué)學(xué)報(bào). 2020(05)
[3]基于樸素貝葉斯的新聞文本分類[J]. 韓洪勇,姜錦琨,楊超然,陳照奇.  科技風(fēng). 2020(14)
[4]基于不確定數(shù)據(jù)的半監(jiān)督動(dòng)態(tài)K-均值算法在滑坡危險(xiǎn)性預(yù)測(cè)上的應(yīng)用[J]. 朱玲.  山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)
[5]基于自適應(yīng)遺傳算法優(yōu)化非對(duì)準(zhǔn)誤差補(bǔ)償算法[J]. 楊宗林,陳曉勇,熊繼軍,張曉明,洪應(yīng)平.  中北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(04)
[6]改進(jìn)PSO優(yōu)化SVM的滾動(dòng)軸承故障診斷[J]. 石志煒,張麗萍,鐘成豪,吳寧鈺.  福州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(03)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別方法[J]. 郝禹哲,張玉金,田海越,彭冬生,余洛,袁天夫.  傳感器與微系統(tǒng). 2020(05)
[8]基于改進(jìn)KNN算法的動(dòng)態(tài)手勢(shì)識(shí)別研究[J]. 陳嘉偉,韓晶,郝瑞玲,胡迪.  中北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(03)
[9]基于改進(jìn)遺傳算法的區(qū)間光譜特征波長(zhǎng)變量選擇方法[J]. 劉鑫,冒智康,張小鳴,李紹穩(wěn),金秀.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(03)
[10]基于深度學(xué)習(xí)的青椒質(zhì)量分類[J]. 鄭凱,方春,孫福振.  山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(04)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉圖像分類應(yīng)用研究[D]. 曹戈.吉林大學(xué) 2019
[2]基于深度學(xué)習(xí)的熱軋產(chǎn)品性能預(yù)報(bào)研究[D]. 李貝貝.武漢科技大學(xué) 2018
[3]鋼材焊接接頭力學(xué)性能預(yù)測(cè)平臺(tái)[D]. 汪超.南京航空航天大學(xué) 2011
[4]鋼材力學(xué)性能預(yù)測(cè)系統(tǒng)的研發(fā)[D]. 于子金.東北大學(xué) 2010



本文編號(hào)：3105686