主动学习算法在板厚控制系统中的应用研究

发布时间：2017-04-15 05:09

  本文关键词：主动学习算法在板厚控制系统中的应用研究，由笔耕文化传播整理发布。

【摘要】：主动学习算法是用来减少机器学习算法标记数据需求量的有效方法,它采用未标记样例辅助已标记样例的形式对分类器进行训练,以此构建高精度分类器。将主动学习应用到板厚控制系统中是机器学习及智能控制领域研究的重要课题。针对板厚控制系统自适应能力较弱,智能化程度较低等问题,从模拟生物自学习的角度建立了板厚控制系统基于主动学习的发育模型。基于该发育模型,板厚控制系统能够根据系统反馈值做出控制参数的自适应调整,并不断积累调整经验以此提高系统智能化程度。首先,针对目前BP神经网络控制算法中训练样本采集耗时长的问题,提出了一种基于主动学习的BP神经网络控制算法。仿真实验结果显示,通过采用主动学习算法有效减少了网络训练时间。其次,针对主动学习算法中传统采样策略易采集重复样例的问题,提出了一种改进型采样策路,实现网络训练样本的采集,并使用快速下降算法用于网络自学习过程,提出一种改进型多层感知器神经网络控制算法。最后,针对网络最终性能因自身结构固定不变而受影响的问题,提出一种动态神经网络。根据全局敏感度分析法调整动态网络结构,通过该动态网络在线调节PID控制器的参数,以此构建主动学习发育模型,从而建立控制带钢厚度的智能系统。主动学习算法的应用使板厚控制系统的智能化程度与自适应能力得以提高,最后的仿真实验验证了该研究的有效性。由于时间和条件的限制,研究尚有多方面等待改进和深入讨论。
【关键词】：主动学习算法 全局敏感度分析法 动态神经网络 板厚控制
【学位授予单位】：华北理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TG334.9;TP181
【目录】：

• 摘要4-5
• Abstract5-9
• 引言9-10
• 第1章 绪论10-18
• 1.1 课题研究的背景及意义10-11
• 1.2 带钢厚度控制技术的发展过程及其研究近况11-13
• 1.2.1 厚度控制技术的发展11-12
• 1.2.2 厚度控制技术的研究现状12-13
• 1.3 主动学习算法概述13-14
• 1.4 人工神经网络概述神14-16
• 1.4.1 人工神经网络基本原理及其特点14-15
• 1.4.2 人工神经网络的发展与其在板厚控制中的应用15-16
• 1.5 主要研究内容与论文安排16-18
• 第2章 液压AGC系统结构模型18-27
• 2.1 厚度控制典型模式18-21
• 2.1.1 位置控制模式18-19
• 2.1.2 轧制力控制模式19-21
• 2.2 液压AGC系统数学模型21-26
• 2.2.1 PID控制器21
• 2.2.2 伺服放大器21
• 2.2.3 电液伺服阀21-22
• 2.2.4 液压缸22-24
• 2.2.5 背压回油管道24-25
• 2.2.6 位移传感器25
• 2.2.7 测厚仪25
• 2.2.8 液压AGC系统数学模型25-26
• 2.3 本章小结26-27
• 第3章 基于主动学习的BP神经网络控制算法设计27-42
• 3.1 BP神经网络27-31
• 3.1.1 BP神经网络结构27-28
• 3.1.2 BP算法原理28-29
• 3.1.3 BP神经网络权值调整规则29-31
• 3.2 主动学习算法31-32
• 3.2.1 主动学习基本概念31-32
• 3.2.2 主动学习算法基于不确定性的采样策略32
• 3.3 基于主动学习的BP网络板厚控制算法设计32-34
• 3.3.1 基于主动学习的BP神经网络32-33
• 3.3.2 基于主动学习的BP神经网络控制器的设计33-34
• 3.3.3 基于主动学习的BP网络控制器算法实现过程34
• 3.4 仿真实验34-41
• 3.5 本章小结41-42
• 第4章 改进型多层感知器神经网络控制算法设计42-55
• 4.1 快速下降算法42-46
• 4.1.1 传统BP算法分析42
• 4.1.2 快速下降算法42-44
• 4.1.3 快速下降算法收敛性验证44-46
• 4.2 基于改进型不确定性采样策略的主动学习46-47
• 4.3 改进型多层感知器神经网络控制算法设计47-50
• 4.3.1 改进型多层感知器结构模型及信息处理47-48
• 4.3.2 改进型多层感知器神经网络自学习流程48-49
• 4.3.3 改进型多层感知器神经网络控制器的设计49
• 4.3.4 改进型多层感知器神经网络控制算法实现步骤49-50
• 4.4 仿真实验50-54
• 4.5 本章小结54-55
• 第5章 基于主动学习的板厚控制系统发育模型设计55-72
• 5.1 动态神经网络结构模型55-57
• 5.2 动态神经网络结构调整57-64
• 5.2.1 全局敏感度分析法57-60
• 5.2.2 动态神经网络结构调整及收敛性分析60-64
• 5.3 基于主动学习的发育模型设计64-67
• 5.3.1 主动学习发育模型的设计64-65
• 5.3.2 控制算法实现步骤65-67
• 5.4 仿真实验67-71
• 5.5 本章小结71-72
• 结论72-74
• 参考文献74-78
• 致谢78-79
• 导师简介79-80
• 作者简介80-81
• 学位论文数据集81

【相似文献】

中国期刊全文数据库 前10条

1 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

2 杨自厚;神经网络技术及其在钢铁工业中的应用第8讲人工神经网络在钢铁工业中的应用(下)[J];冶金自动化;1997年05期

3 李润生,李延辉,胡学军,刘壮,王守俭;神经网络在冶金中的应用[J];钢铁研究;1998年02期

4 刘海玲,刘树深,尹情胜,夏之宁,易忠胜;线性神经网络及在多组分分析中的初步应用[J];计算机与应用化学;2000年Z1期

5 王继宗,王西娟;用神经网络确定梁上裂纹位置的研究[J];煤炭学报;2000年S1期

6 赵学庆,袁景淇,周又玲,贺松;生物发酵过程神经网络状态预报器的验证[J];无锡轻工大学学报;2000年06期

7 李智,姚驻斌,张望兴,贺超武;基于神经网络的混匀配料优化方法[J];钢铁研究;2000年04期

8 胡敏艺,马荣骏;神经网络在冶金工业中的应用[J];湖南有色金属;2000年05期

9 倪建军,邵琳;利用神经网络进行观测数据的分析与处理[J];连云港化工高等专科学校学报;2000年04期

10 裴浩东,苏宏业,褚健;材料工程中基于神经网络的稳态优化策略[J];材料科学与工程;2001年02期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年

7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年

10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年

  本文关键词：主动学习算法在板厚控制系统中的应用研究，，由笔耕文化传播整理发布。

本文编号：307664