基于PSO的小波神經網絡熱連軋板材質量模型研究.pdf

1、隨著經濟的發(fā)展,鋼鐵市場對熱連軋板材質量的要求越來越高,為滿足市場需求,近些年,學者們對基于人工神經網絡技術的熱連軋板材質量模型的研究非?；钴S。他們提出了一些熱連軋板材質量模型,如BP神經網絡、徑向基網絡、模糊網絡等神經網絡模型,但這些熱連軋板材質量模型的測試命中率難以滿足廠方要求,為此,本文主要做了以下工作:
　　首先,綜述了BP神經網絡、小波神經網絡和粒子群優(yōu)化算法(Partical Swarm Optimization-PS

2、O)的相關理論;分析了熱連軋板材的生產過程,獲得了板材質量數(shù)據(jù),確定了數(shù)據(jù)的輸入輸出變量,闡述了熱連軋板材的質量要求。
　　其次,構建了新的粒子群優(yōu)化小波神經網絡。通過分析粒子群優(yōu)化小波神經網絡,可知該網絡采用粒子群算法的搜索迭代公式調整網絡參數(shù),能很好的跳出局部極小值點,具有局部尋優(yōu)特點,但是誤差不能以最快的速度達到極小值;為此新的網絡首先采用小波神經網絡計算誤差,然后再對小波神經網絡的各種參數(shù)采用基于梯度下降的誤差反傳算法和粒

3、子群算法(PSO)相結合的方式進行修正。網絡不僅能以最快的速度達到極小值,而且能跳出局部極小值點;對構建的網絡模型進行實例仿真,結果表明,新的粒子群優(yōu)化小波神經網絡質量模型的測試命中率提高了9.8％,訓練時間縮短了28分鐘20秒。
　　最后,基于新的粒子群優(yōu)化小波神經網絡設計和實現(xiàn)了熱連軋板材質量預測系統(tǒng)。系統(tǒng)實現(xiàn)了數(shù)據(jù)樣本存入數(shù)據(jù)庫、網絡參數(shù)的設置、算法參數(shù)的設置、訓練與測試的功能。該系統(tǒng)可以對給定的熱連軋板材質量數(shù)據(jù)進行建模和