张秀玲
,
刘宏民
钢铁
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.
关键词:
板形
,
模式识别
,
勒让德多项式
,
遗传算法
,
神经网络
,
最小二乘法
牛培峰
,
李鹏飞
,
李国强
,
马云飞
钢铁
针对目前板形模式识别模型泛化能力不高、训练速度慢等缺陷,以1次、2次、3次、4次勒让德正交多项式为板形缺陷基本模式,提出了由支持向量回归机（SVR）构建的模式识别模型;为了提高该模型的精确度,引入万有引力算法（GSA）优化SVR的参数,由此构成GSA-SVR预测模型。仿真试验结果表明：GSA-SVR模型不仅识别结果精度高,而且与PSO-BP神经网络模型相比泛化能力更强,训练速度更快,其识别结果可以为板形控制提供有效的依据。
关键词:
板形
,
模式识别
,
勒让德多项式
,
万有引力算法
,
支持向量回归机
单修迎
,
刘宏民
,
贾春玉
钢铁
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.
关键词:
三次板形
,
模式识别
,
勒让德多项式
