基于BP神经网络的板形预测

板带材的板形精度一直是研究的重点。在实际生产过程中影响板形精度的因素很多而且因素之间存在非线性、强耦合的关系,基于板形控制机理的传统数学模型很难准确表达其中的关系,而基于数据驱动的非机理模型则能取得很好的结果。BP神经网络作为一种发展成熟的算法可以作为一种新的预测手段应用在板形的预测工作中。因此,本文将BP神经网络应用于板形的预测研究中,讨论了基于BP神经网络的板形预测模型的可行性以及应用的优势,重点介绍BP神经网络对板形预测带来的积极意义。BP神经网络在对即时板形缺陷系数进行预测时,能够较好的接近实际的拟合值。BP网络在训练过程中,在50轮训练后基本收敛,并且整个训练过程没有产生过拟合现象。BP神经网络对测试集进行预测,能够有效的反映板形的变化情况,且对一次、三次板形缺陷系数的预测结果较好。     

智能控制和预测控制在冷轧板形自动控制中的应用

将控制建模方法与预测控制思想相结合用于带钢板形自动控制,研究建立了基于神经网络的板形预测控制数学模型。模型经由宝钢１４２０ｍｍ冷轧实测数据仿真验证表明,预测控制模型具有较高的预测精度和较好的控制效果。     

基于有限元和PSO-BP法的20辊轧机轧制板形预测

针对20辊轧机轧制板形受到多重因素影响、难以精确预测的问题,基于有限元和PSO-BP法,建立20辊轧机轧制板形质量预测模型。根据20辊轧机轧辊间的位置关系,基于有限元软件ANSYS/LS-DYNA,考虑轧辊弹性变形、板带塑性变形与摩擦等因素,建立20辊轧机辊系有限元模型,分析板宽、厚度、张力、速度等因素对板形指数的影响;综合考虑不同轧制板形影响因素,以板形指数作为板形质量衡量指标,基于BP神经网络建立轧制板形质量预测模型,采用粒子群算法优化BP神经网络板形质量预测模型的权值和阈值,提高板形预测精度。     

基于神经网络集成学习的冷连轧板形预测

为了实现对冷连轧带钢出口板形的预测,基于粒子群算法对小波神经网络进行了优化,将优化后的网络作为基学习器,并通过bagging算法构建集成学习预测模型,进行冷连轧带钢板形的预测.以某1 450 mm冷连轧生产线数据作为样本,比较了该模型与未经优化的小波神经网络和单个学习器的预测效果.结果表明,集成学习模型预测的带钢出口板...     

基于类别特征梯度提升的冷轧带钢板形预测模型

板形控制是冷轧带钢生产过程的核心技术。为了提升板形预设定和闭环反馈控制效果,建立高精度的板形预测模型非常必要。提出了一种基于类别特征梯度提升的冷轧带钢板形预测模型,通过某1 450 mm冷连轧生产线采集的生产数据建立模型,采用贪婪搜索和交叉验证的方式进行超参数设置,以自适应提升模型、梯度提升决策树模型和深度学习神经网络模型作为对比。结果表明：类别特征梯度提升模型的RMSE为0.666 IU,并且有90.397%的预测数据绝对误差小于1 IU,较其他3种模型有更好的表现,对冷轧带钢板形预测有更好的鲁棒性和预测精度。     

神经网络与有限元结合在轧机板形预报中的应用研究

通过有限元仿真分析,较准确的模拟了带钢轧制过程,获取对轧机板形影响较大的参数值,并将其结果作为训练样本对神经网络进行训练,建立了较为理想的基于神经网络的板形预测模型,实现了轧制过程中的板形参数的预报。仿真结果表明该神经网络与有限元结合的板形预测模型可获得良好的预测精度,弥补了传统板形预测模型的预测精度不能满足板形在线控制要求的缺陷。     

一种基于Hopfield神经网络的系统辨识方法及其在舰炮随动系统辨识中的应用

给出了一种将Hopfield神经网络运用于线性系统辨识问题的方法。通过测量输入、状态变量和状态变量的微分，构造Hopfield网络神经元之间的权重和各神经元的偏流。网络神经元的状态将收敛到被辨识系统的参数的值。使用Hopfield神经网络辨识舰炮液压伺服系统的三阶模型，仿真结果表明用这种系统辨识方法辨识时变和时不变系统是可行的。     

神经网络在板形控制中的应用

将神经网络建模方法用于板形自动控制，研究并建立了基于神经网络的板形控制数学模型。经用北京科技大学高效轧制国家工程研究中心双机架可逆冷轧机实测数据进行仿真验证，表明该模型具有较高的控制精度。     

基于Hopfield神经网络的腐蚀失效模式识别

Hopfield神经网络是具有记忆功能的反馈型神经网络，但存储记忆的能力受到神经元数量的限制。本文根据Hopfield神经网络的特点，采用多模块分级识别的方法，研究开发适用于腐蚀失效模式识别的学习、推理机模型。在此基础上，运用面向对象的编程技术及数据库技术，实现能够学习、识别腐蚀失效模式的软件系统。     

板带冷轧机高精度板形预测模型的研究

针对传统数学工具建立的板形关系模型的固有缺陷,为了提高板形预测精度,提出了一种基于人工神经网络建模的自适应板形预测控制算法.仿真实验结果表明采用本文所建立的预测模型具有较高的预测精度.     

基于铝电解过程的神经网络模型预测控制的应用研究

铝电解过程是一个复杂的非线性、时变和大时滞的工业过程体系,采用常规的控制方法,很难达到良好的控制效果。本文提出了一种基于铝电解过程的神经网络模型预测控制算法,建立了神经网络预测模型,将神经网络和模型预测控制算法相结合,实现了铝电解过程的最优控制。仿真结果表明:神经网络预测模型的输出能够很好地跟踪铝电解生产过程,其预测效果好,该预测控制方法可以使系统很快地达到稳态,具有很好的响应特性和鲁棒性。     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

Training multilayered perceptrons for pattern recognition: a comparative study of four training algorithms

This paper presents an overview of four algorithms used for training multilayered perceptron (MLP) neural networks and the results of applying those algorithms to teach different MLPs to recognise control chart patterns and classify wood veneer defects. The algorithms studied are Backpropagation (BP), Quickprop (QP), Delta-Bar-Delta (DBD) and Extended-Delta-Bar-Delta (EDBD). The results show that, overall, BP was the best algorithm for the two applications tested.     

基于群智优化RBF神经网络的预测控制模型研究

为了提高预测控制模型的准确度,采用RBF神经网络来完成网络流量预测,并借助群体智能算法中的混合蛙跳算法来实现模型参数的优化。首先,在建模过程中引入混合蛙跳算法。然后,将RBF神经网络权重和阈值作为青蛙个体,随机产生的多个权重和阈值组合个体构成蛙群。对蛙群进行分组,并通过不断重新分组和组内迭代的方法来获取全局最优个体,从而得到最优权重和阈值,以便确定最优的预测控制模型。经过实验证明：采用基于群体智能优化RBF神经网络的预测控制模型具有更高的准确度。     

Analysis of Hidden Representations by Greedy Clustering

The hidden layer of backpropagation neural networks (NNs) holds the key to the networks' success in solving pattern classification problems. The units in the hidden layer encapsulate the network's internal representations of the outside world described by the input data. this paper, the hidden representations of trained networks are investigated by means simple greedy clustering algorithm. This clustering algorithm is applied to networks have been trained to solve well-known problems: the monks problems, the 5-bit problem and the contiguity problem. The results from applying the algorithm to problems with known concepts provide us with a better understanding of NN learning. These also explain why NNs achieve higher predictive accuracy than that of decision-tree methods. The results of this study can be readily applied to rule extraction from Production rules are extracted for the parity and the monks problems, as well as benchmark data set: Pima Indian diabetes diagnosis. The extracted rules from the Indian diabetes data set compare favorably with rules extracted from ARTMAP NNs terms of predictive accuracy and simplicity.     

恒切削力加工过程的神经网络预测控制

切削过程恒力控制对于提高生产率、保证加工精度具有重要作用。文章以车削加工过程为对象,研究恒切削力加工过程中当切削深度发生突变时,如何减少系统输出切削力超调的问题。将预测控制策略与神经网络理论相结合,在神经网络学习时,使切削进给在切削深度发生突变前提前发生相应变化,提出了恒力切削过程的神经网络预测控制算法。仿真结果表明,与传统自适应神经网络控制相比,加工过程的神经网络预测控制能够有效的解决在背吃刀量发生突变时,加工系统输出的切削力过大的问题,显示出比加工过程传统神经网络自适应控制更好的综合性能。     

基于补偿模糊神经网络的数控机床热误差预报模型

文章提出了一种基于补偿模糊神经网络的数控机床热误差预报模型,讨论了该模型的详细结构、模糊规则、训练算法及相关技术问题,并给出了智能预报结果和精度评价.     

基于BP神经网络摆式列车倾摆控制系统的辨识

针对摆式列车倾摆控制系统的特点，把人工神经网络的基本原理应用于摆式列车倾摆控制系统，在倾摆控制系统的神经辨识网络中应用BP算法对系统进行辨识，通过学习对系统进行建模。仿真结果表明：所采用的辨识网络能够对倾摆控制系统的动态特性进行有效的辨识，可以解决倾摆控制系统中的非线性问题。     

人工神经网络技术及其在板料成形智能化中的应用

本文在概述人工神经网络特性、BP网络模型及BP算法的基础上 ,对BP算法改进、训练样本及网络结构等相关技术进行了总结。重点综述了人工神经网络技术在板料成形专家系统、成形力预测、参数识别、智能控制、故障诊断、缺陷分析、板料成形性能研究和模具优化设计等板料成形智能化相关技术中的应用 ,探讨了应用中存在的问题 ,并展望其发展趋势