共查询到10条相似文献,搜索用时 31 毫秒
1.
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。 相似文献
2.
3.
板形模式识别的GA-BP模型和改进的最小二乘法 总被引:11,自引:0,他引:11
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。 相似文献
4.
针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。 相似文献
5.
变结构神经网络在板形信号模式识别方面的应用 总被引:13,自引:0,他引:13
提出了基于模糊距离的变结构神经优化算法,并将其用于板形信号的模式识别过程,有效地解决了板宽变化时神经网络拓扑结构不变的问题,提高了识别速度和精度,从而成为一种新的智能板形信号识别方法。 相似文献
6.
7.
8.
智能识别方法在板形识别中的应用及发展趋势 总被引:2,自引:0,他引:2
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。 相似文献
9.
基于人工智能的自适应板形控制 总被引:1,自引:0,他引:1
针对板带材轧制过程是一个复杂的非线性过程及传统板形控制模型的固有缺陷,为了提高冷轧带钢的板形质量和成材率,提出一种基于神经网络模糊推理的自适应板形控制(AI-AFC)方案,并将其引入森吉米尔20辊轧机的板形控制系统。离线仿真结果表明:该系统具有良好的控制性能,可提高板形控制质量。 相似文献