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.     

ANFIS的板形控制动态影响矩阵方法

针对板形控制系统的非线性和强耦合性,以及传统效应函数法和板形静态影响矩阵法的不足,通过对大量生产实测数据的计算和分析,提出了板形控制的动态影响矩阵法.通过基于减法聚类的ANFIS(自适应神经模糊推理系统)的板形动态矩阵预测模型,在线求得不断变化的影响矩阵,兼顾了板带生产的实时性与复杂性,仿真实验验证了其有效性.     

基于径向基函数神经网络的板形模式识别研究

针对板带轧制过程中用于辨识板形模式的网络精度较低、在线速度较慢和获得网络辨识模型较复杂的问题,提出了一种基于径向基函数神经网络（RBF）的板形模式识别方法。该方法使输入节点减少,网络模型简化,并用模糊C均值算法和伪逆法确定RBF网络的参数,解决了传统方法学习时间较长的问题。实验表明,该方法能有效的提高板形模式识别的精度和速度。