RBF神经网络的板形预测控制

由于板带轧制的环境十分复杂,如温度的变化是无法避免的干扰,以及HC轧机液压弯辊系统的非线性和不确定性,使得按传统理论建立的模型和控制方法都难以达到理想的效果.针对这一问题,提出了一种基于径向基函数(RBF)神经网络的模型预测控制方案应用于带材控制中,以提高带材的成材率,充分发挥液压弯辊力对板形的调整作用,改善轧机系统的动态特性.仿真结果表明了该控制系统的性能良好,有较强的抗干扰能力和较好的鲁棒性和快速性.     

FNN模型参考自适应控制在轧机液压弯辊系统中的应用

UC轧机液压弯辊系统的数学模型具有很强的时变性和不确定性,是典型的非线性过程;针对UC轧机液压弯辊系统的特性,提出模糊神经网络模型参考自适应控制策略,并将其应用到液压巧辊控制系统中;仿真结果表明,模糊神经网络模型参考自适应控制能够很好的跟踪参考模型的设定,系统的响应快。     

基于免疫算法的模糊神经网络在板厚板形控制中的应用

本文设计了一种基于免疫算法(IA)的模糊神经网络板厚板形综合控制系统，用IA算法优化具有全局性的隶属函数参数后，再用梯度下降法在线调节和优化网络的局部性参数．在应用于二机架可逆冷连轧板厚板形综合控制中的仿真实验表明，该系统有较强的抗干扰性和较好的收敛性．     

基于小波神经网络的板形板厚综合系统逆控制

针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,提出一种基于小波神经网络的逆控制方案.利用两个结构相同的小波神经网络构造Smith预估器,预估器的输入参数与时延阶次无关,能较好地解决小波神经网络对维数较为敏感的问题.采用神经网络逆控制的思想设计小波神经网络控制器,引入多步预测性能指标函数对控制器权值进行在线训练.仿真研究表明,该控制方案具有较快的响应速度和良好的动态性能.     

Elman神经网络的板形模式识别方法

针对静态网络设计和识别时间模式的能力弱、泛化能力差、学习速度慢等缺点,建立了一个基于Elman神经网络的板形模式识别系统.该系统由于考虑到了神经网络的过学习或过拟合问题,且通过经验公式和对比实验来确定神经网络的隐层节点数,具有简单、有效的优点.系统通过对6种基本板形模式及其组合模式的学习,具有了一定的泛化能力.经仿真验证,实际输出的误差均小于0.1,识别效果良好,可以证明基于Elman动态网络的系统,其板形识别能力要强于BP网络构成的系统.     

六辊UC轧机轧制过程混沌的轨迹跟踪控制

采用基于精确反馈线性化的轨迹跟踪控制方法控制六辊UC轧机轧制过程中存在的混沌现象. 这种方法可以根据工业过程或工艺的要求将工业混沌系统控制到任意点或跟踪给定函数, 在具有测量噪声和模型误差的情况下控制仍然有效. 仿真结果说明了该方法的有效性和可行性.     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

基于卷积神经网络的板形缺陷识别

板形缺陷识别对于矫直机在矫直过程中具有重要意义,针对传统板形缺陷识别精度低、操作繁琐等问题,以AlexNet模型为基础,提出一种基于卷积神经网络的板形缺陷识别模型(OP-AlexNet).在预处理阶段利用双立方插值算法对数据集中的图片进行尺寸的统一并进行标准化操作.对AlexNet模型结构进行优化,包括调整卷积核大小并减少两层卷积层,删除一层全连接层降低网络复杂度;对卷积层提取的特征批量归一化(batch normalization,BN)以加快网络的收敛速度,激活函数选择LeakyReLU(Leaky Rectified Linear Unit)替换原结构的ReLU(Rectified Linear Unit)激活函数以减少静默神经元的出现.实验结果表明该模型最终识别精度达到91.3％,相比AlexNet模型提高了16.2％,并具有更好的鲁棒性,能够满足板形缺陷识别的要求.     

基于云自适应差分和BP神经网络的板形动态影响矩阵控制方法

为了克服传统板形控制中产品质量差、控制速度慢、生成效率低,以及静态影响矩阵控制信息不足等缺点,将云自适应差分算法(CADE)优化的BP神经网络应用到板形控制中,建立板形预测神经网络,并在离线状态下,根据板形轧制的历史数据和板形调控机构中的关键影响因素建立动态影响矩阵表。在线轧制过程中只需要与板形控制关键影响因素对应的动态影响矩阵表和板形识别变化量,就可以很快得到主要板形控制手段的控制量。该方法避免了神经网络的在线训练,提高了板形的控制速度和轧制精度。仿真实验表明,该方法稳定性好,控制精度高,适合用于板形的在线控制。     

一类轧机的板形最优化控制方法

分析了常规四辊CVC轧机板形控制的原理,结合生产实际给出了板形的最优化控制策略及其数学模型,该方法具有不需对板形缺陷进行识别,不用基于最小二乘法的曲线拟合的方法进行板形缺陷的识别的特点.对调节装置的调节量及多个调节装置的调节量采用联合求解方法,具有快速达到最佳优点,可推广到其它同类轧机的板形控制中去.     

一种神经网络自组织模糊控制*

本文提出一类基于神经网络的模糊控制。首先，它利用具有动态结构的ＢＰ网络进行模糊推理，实现模糊控制的最优推理过程。其次，它采用另一具有动态结构的ＢＰ网络校正现有的控制规则，实现规则自组织，在控制过程中不断优化控制性能，从而使控制的效果更加理想。     

基于模糊神经网络驼峰溜放速度的控制

提出了一种基于模糊神经网络理论求得动态出口速度的模型，使用改进的误差反向传播学习算法进行学习，具有很好的自学习和自适应能力，能根据列车的溜放实际情况自动调整减速器出口速度，仿真结果表明，模糊神经网络用在驼峰溜放速度控制中有很好的效果。     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播(FCP)网络辨识器和径向基函数(RBF)神经网络控制器组成,仿真结果表明了该方案的有效性。     

自适应模糊神经网络控制系统的研究

自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。     

随机形状变形生成的自适应神经网络控制法

将任意给定的确定性规则形状作为自适应神经网络的学习对象，用自适应学习的方法改变规则形状的形成规则，在没有加入随机移位扰动量的情况下，使规则形状从“规则”向“非规则”转变，改进了传统自适应神经网络的算法过程，增强了随机形状的局部和整体形态特征的可控性，拓宽了自适应线性神经网络在随机形状造型中的应用范围，且方法简明、易于实现。     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。     

多变量模糊神经网络控制器的研究

提出一种MIMO系统的模糊神经网络控制器结构,阐述了基本设计思想和具体算法过程。应用实例仿真结果表明,它可用于控制强耦合带时延多变量系统,并使系统具有良好的动态和静态性能。     

基于BP神经网络的图像形状识别

图像形状特征的提取和描述方法是基于形状的图像检索的重要研究内容，本文根据形状特征的描述方法，对提取的形状特征参数抽取一组特征值，形成特征向量，并进行归一化，然后利用BP神经网络进行形状识别，取得了较好的实验效果，对基于形状的图像检索具有一定的指导意义。     

基于神经网络的模糊参数自校正控制系统

本文针对参数固定的模糊控制系统难以适应控制过程中的工况的变化的弊端,提出一种基于神经网络的模糊控制系统（ＮＦＣ）,引入３层ＢＰ网络在线修正模糊控制器的参数,使得控制系统具有更好的动态特性和静态性能。