针对传统的最小二乘板形模式识别方法的抗干扰能力差、精度低和神经网络方法存在网络学习时间长、易陷入局部最小值等问题,把模糊理论和神经网络的优点融合在一起,通过三个自适应神经模糊推理系统的有效拟合,提出了一种基于自适应神经模糊推理系统的板形模式识别方法.研究结果表明,该方法能够很好地克服以上缺点,而且能够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也非常接近.
参考文献
| [1] | 冯晓华,马坚,郑岗.基于模糊距离的RBF神经网络板形模式识别[J].西安工业大学学报,2006(05):427-430. |
| [2] | 刘建,王益群,孙福,宁淑荣.基于粒子群理论的板形模糊模式识别方法[J].机械工程学报,2008(01):173-178. |
| [3] | 周会锋 .板形识别·预测和控制仿真的智能方法研究[D].燕山大学,2005. |
| [4] | 张秀玲 .冷带轧机板形智能识别与智能控制研究[D].燕山大学,2003. |
| [5] | 张材,谭建平.基于遗传算法反向传播模型的板形模式识别[J].中南大学学报（自然科学版）,2006(02):294-299. |
| [6] | 何海涛,李楠.基于SVM的改进RBF网络板形模式识别方法[J].自动化仪表,2007(05):1-4,8. |
| [7] | 吴晓莉;林哲辉.MATLAB辅助模糊系统设计[M].西安:西安电子科技大学出版社,2002 |
| [8] | Genetic tracker with adaptive neuro-fuzzy inference system for multiple target tracking[J].Expert Systems with Application,2008(4):1657-1667. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%