基于RBF的板形识别模型设计与FPGA实现

发布时间：2020-09-14 20:44

　　随着社会的不断发展,各个行业对高质量板带钢的需求也越来越迫切。板形是衡量板带钢生产水平的重要指标之一,想要生产出符合标准的板带钢,板形的识别与控制必须满足一定的精度和实时性要求。近些年人工智能、深度学习理论发展迅速,为许多传统行业注入了新的活力,数据驱动的建模方法得到了广泛应用。本文在板形识别的工程背景下,改进了常规的径向基函数(Radical Basis Function,RBF)神经网络板形识别模型,并以现场可编程门阵列(Field Programmable Gate Array,FPGA)为载体对RBF板形识别模型的实现技术做了进一步的研究。首先,对常规RBF神经网络板形识别模型进行了深入研究,针对其人为提取特征的局限性,引入了主成分分析(Principal Component Analysis,PCA)的方法进行改进,构建了基于PCA特征提取方法的RBF神经网络板形识别模型。分别以模拟板形数据、某900HC可逆冷轧机实测板形数据来验证方法的可行性,仿真结果表明了该方法的有效性。其次,借鉴多模型控制缩小建模范围来提高精度的思想,建立了多RBF神经网络板形识别模型。该模型中各子网络以遗传算法(Genetic Algorithms,GA)分别优化,从而细化模型输入对于每个板形特征参数的影响。仿真结果表明模型对每个特征参数识别精度都有所提高,达到了整体上提高板形识别精度的目的。最后,本文在理论研究的基础上进一步联系实际,把在MATLAB(Matrix Laboratory)中建立的RBF板形识别模型向ISE(Integrated Software Environment)做了映射实现研究。仿真结果表明精度和实时性可以满足实际工程需要,证明FPGA是一种可行、可靠的模型实现技术,为设计应用到实际生产奠定了基础。
【学位单位】：燕山大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN791;TG115;TP183
【部分图文】：

关系图,论文结构,关系图,板形

图 1-1 论文结构关系图主要内容有如下 5 个方面：(1) 第 1 章首先详细说明了课题的研究背景及意义，主要从板形生产、建模方法实现应用三个方面进行阐述；其次分析并总结了课题相关的国内外研究现状，主要由板形识别研究、神经网络硬件实现研究两大部分，其中作者将板形识别研究又做了细致的划分；最后介绍了论文的结构安排和主要内容。(2) 第 2 章介绍了基于欧氏距离特征提取方法的常规 RBF 板形识别模型，主要

识别模型,欧氏距离,神经网络,板形

第 2 章基于欧氏距离的 RBF 板形识别模型第 2 章基于欧氏距离的 RBF 板形识别模型年以来，神经网络在许多工程背景下都得到了广泛的应用，并且线性系统建模上的优势取得了很好的识别和控制效果。本章在板背景下，利用欧氏距离方特征提取方法和典型的浅层 RBF 神经网识别模型。BF 神经网络RBF 神经网络结构和工作原理F 神经网络是浅层神经网络中的一种典型前馈型局部逼近网络，不敛，而且学习速度快、函数逼近精度高。其拓扑结构如图 2-1 所示层、输出层。

板形缺陷,基本模式,中浪,边浪

22边浪： 2123242Y pyy三分浪： Y py5y3y21353 三分浪： Y py5y3y21363 分浪： 35303814274Y py y y 中浪： 35303814284Y py y y 上各式中板宽中心为坐标原点， y [ 1,1]是归一化后板宽坐标。

【相似文献】