基于自适应神经模糊推理系统的板形模式识别研究

 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。     

基于循环神经网络的板形模式识别模型

板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。     

板形模式识别的GA-BP模型和改进的最小二乘法

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。     

基于改进遗传算法优化Elman网络的板形识别方法

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。     

变结构神经网络在板形信号模式识别方面的应用

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。     

含有三次板形的新型板形模式识别方法

为了提高板形模式识别的精度,在传统一次、二次和四次板形基模式的基础上增加了三次板形基模式,提出了以一次、二次、三次和四次勒让德正交多项式为基模式的板形模式识别方法。通过该方法对机理模型计算的板形数据和实测的板形数据进行了分析,表明该方法提高了板形模式识别的精度,使识别结果更具有完备性,细化了板形控制的目标,有利于提高板形控制的精度。     

基于改进的微粒群算法的板形模式识别方法

针对在实际生产中板形信号识别精度不高的问题,通过对板形信号和板形识别数学模型的分析,采用基于混沌序列的微粒群寻优算法对板形信号进行识别。以勒让德正交多项式作为板形缺陷的基模式,将板形信号模式识别过程转化为函数的优化问题,有效地提高了算法的寻优效果,改进了板形信号模式识别的速度和精度。     

智能识别方法在板形识别中的应用及发展趋势

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。     

基于人工智能的自适应板形控制

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。     

基于非线性预测模型的单神经元自适应PID板形控制

为了解决传统PID板形控制精度低、速度慢、抗干扰能力差等问题,将BP神经网络和单神经元引入到板形的控制中,提出一种基于BP神经网络预测模型的单神经元自适应PID控制的板形控制策略。利用BP神经网络的非线性逼近能力和单神经元的自学习、自适应能力,通过两者的有机结合寻找一个最佳的P、I、D非线性组合控制律,实现对带钢板形缺陷的有效控制。仿真实验结果表明,该控制算法能很好地跟踪板形的目标设定值,提高了系统的控制精度,加快了系统的响应速度,并且具备较强的抗干扰能力。