基于IHPO-KELM的冷轧带钢板形模式识别

针对目前板形识别方法存在的识别精度低、速度慢等问题，提出了一种改进猎食者算法优化核极限学习机(IHPO-KELM)的冷轧带钢板形识别模型。首先，为减少网络中初始参数的数量、提高板形识别的精度与速度，采用了核极限学习机(KELM)网络；其次，为提高猎食者(HPO)算法的精度，利用基于Sine混沌映射初始化猎食者算法的种群，并针对HPO在迭代过程中易陷入局部早熟的问题，在改进的线性组合位置更新公式中加入莱维飞行机制；然后利用改进猎食者算法对核极限学习机网络识别模型的正则化系数和核参数进行优化，提高板形识别的精度；最后，通过Matlab仿真验证了IHPO-KELM算法具有网络结构简单、收敛速度快、识别精度高等优点。采用IHPO-KELM算法对某公司900HC可逆冷轧机实测数据进行识别，其识别精度比麻雀算法优化KELM(SSA-KELM)识别模型提高了58.8%,表明IHPO-KELM识别模型具有良好的泛化能力，为板形缺陷的高效智能识别提供了新思路。