基于改进的微粒群算法的板形模式识别方法

针对在实际生产中板形信号识别精度不高的问题,通过对板形信号和板形识别数学模型的分析,采用基于混沌序列的微粒群寻优算法对板形信号进行识别。以勒让德正交多项式作为板形缺陷的基模式,将板形信号模式识别过程转化为函数的优化问题,有效地提高了算法的寻优效果,改进了板形信号模式识别的速度和精度。     

人工神经网络在板形缺陷识别中的应用

宝钢冷轧板形控制采用ＣＶＣ技术，在板形缺陷识别方面存在一些问题，为此，开展了冷轧板形缺陷识别中采用人工神经网络的研究工作。从神经网络的工作原理、拓扑结构、学习过程，工作过程及用于板形缺陷识别中的实际效果等方面进行阐述。     

板形模式识别的GA-BP模型和改进的最小二乘法

针对板宽变化时需要不同拓扑结构的神经网络才能完成板形模式识别任务，网络学习工作量大，网络存在收敛速度慢，易陷入局部极小等结构性能不佳的问题，首次建立了以勒让德正交多项式为基模式的只用6个输入信号、3个输出信号的板形模式识别GA-BP网络模型。该模型不仅结构简单，而且物理意义明确，识别精度较高，解决了板宽变化时神经网络结构形式不变的问题，从而实现了板形模式识别的智能化。又提出了基于勒让德正交多项式的板形模式识别最小二乘法，该方法简单、实用，识别精度较高，克服了传统的最小二乘模型板形模式识别的缺点和不足。为板形模式识别提供了两种简便实用的新方法，发展了板形模式识别理论和方法。     

离散跟踪微分器在板形识别上的研究与应用

 实际生产过程中很多因素会对板形信号产生干扰,从而造成板形缺陷识别不准确。针对这一问题,在板形勒让德多项式回归分解识别方法基础上应用最速离散跟踪微分器对板形信号进行滤波处理,消除噪声干扰。仿真结果表明,两种方法相结合后在板形缺陷识别的精确度和抗干扰性方面都有很好的效果。     

智能识别方法在板形识别中的应用及发展趋势

对国内外关于板形模式识别技术的研究现状和发展趋势进行了综述。通过比较,提出了传统的基于最小二乘法的多项式拟合法存在的不足,并对模糊分类、神经网络、遗传算法、混沌优化等智能识别方法在板形模式识别中所具有的优势进行了归纳和总结。最后,对智能方法在板形识别问题中的应用以及板形识别技术的发展趋势进行了展望,为板形检测环节得到理想板形信号提供理论研究方法,并将逐步应用于钢铁板形控制的工业过程中。     

基于自适应神经模糊推理系统的板形模式识别

针对传统的最小二乘板形模式识别方法的抗干扰能力差、精度低和神经网络方法存在网络学习时间长、易陷入局部最小值等问题,把模糊理论和神经网络的优点融合在一起,通过三个自适应神经模糊推理系统的有效拟合,提出了一种基于自适应神经模糊推理系统的板形模式识别方法.研究结果表明,该方法能够很好地克服以上缺点,而且能够有效识别出常见的板形缺陷,识别速度和精度有所提高,识别结果跟板形仪的实测板形也非常接近.     

基于RBF神经网络的板形缺陷识别

以北京科技大学高效轧制国家工程研究中心双机架四辊可逆式冷轧机为研究对象 ,建立了基于 RBF神经网络的板形缺陷识别模型 ,以提高传统板形缺陷识别模型的精度。     

基于循环神经网络的板形模式识别模型

板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。     

基于自适应神经模糊推理系统的板形模式识别研究

 针对传统的最小二乘板形模式识别方法的抗干扰能力差、精度低和神经网络板形模式识别方法存在的网络学习时间长、易陷入局部最小值、应用效果不佳等问题,提出了一种基于ANFIS的板形模式识别方法。该方法融合了模糊理论和神经网络的优点,弥补了彼此的不足,有效的解决了上述问题。板形模式识别是一个多输出系统,而MATLAB中ANFIS指令仅有一个输出,针对这个问题,本文提出利用系统拟合的方法,有效的克服了这个缺陷。研究结果表明,该方法能有效识别出常见的板形缺陷,识别速度和精度有所提高,识别结果跟板形仪的实测板形非常接近。     

基于Legendre多项式的板形模式识别优化仿真及应用

板形缺陷模式识别是铜带轧机板形控制中最重要的部分.本文在对多种识别方法对比分析的基础上,提出了一种基于Legendre多项式的板形缺陷识别优化算法.利用其正交特性,结合轧制工艺要求,采用Matlab仿真得到板形基函数多项式的参数设定,代替原Legendre多项式的固定参数,同时根据来料板形特征设置迭代方程.结果表明:该优化算法能够有效地得到板形特征值,既弥补了最小二乘法板形识别的缺陷,又避免了Legendre正交多项式对调节机构的特殊要求;经现场验证,板形平均误差从±8 I减小到±6 I,精度提高了10％左右.