基于径向基网络和支持向量机算法的板形缺陷识别的研究

发布时间：2017-09-05 09:06

  本文关键词：基于径向基网络和支持向量机算法的板形缺陷识别的研究

  更多相关文章： 板形 模式识别 神经网络 K-均值聚类 最小二乘支持向量机

【摘要】：钢材是国民经济发展中必不可少的物质基础,带钢作为主要的钢产品,已成为电气、汽车、民用等行业广泛使用的原材料。冷轧带钢在连续生产过程中,会出现各种各样的板形缺陷,影响后续轧制和带钢质量。因此,如何通过板形检测数据和模式识别方法,得到带钢板形缺陷类型和特征参数,提高板形识别的速度和精度,使后续轧制出的板形满足用户对带钢平直度的要求,是一个十分关键的问题。本文主要对板形缺陷模式识别进行研究,通过模型识别出的板形特征参数,分析板形缺陷识别方法的优缺点,并在此基础上提出板形缺陷识别的新方法。(1)针对传统最小二乘法不能识别复杂板形,而BP神经网络识别法权值难以确定的问题,将GA优化后的BP神经网络用于板形识别中。通过仿真分析,GA优化的识别模型,识别精度高于BP网络,但识别速度明显变慢,不适用于在线板形识别。(2)将K-均值RBF神经网络运用到板形缺陷识别中,通过K-均值聚类确定径向基函数的中心C,方差σ。针对网络输入较多,拟合复杂性增加的问题,采用加权欧式距离差将输入量由20个减少到3个。经过仿真实验,将GA-BP、GA-RBF和K-RBF识别方法进行比较,结果表明K-均值聚类的RBF方法能够准确识别出六种常见的板形缺陷类型,识别精度较高,速度最快。(3)由于最小二乘支持向量机(LSSVM)在非线性、小样本情况下模式识别效果较好,将LSSVM用在板形缺陷识别中。通过仿真表明LSSVM可以精确的识别出板形特征参数,五组样本的识别误差略低于K-RBF法,适用于冷轧板形的在线调节。通过上述研究表明,K-均值聚类的RBF法和最小二乘支持向量机法对板形缺陷的识别效果优于现在常用的BP神经网络法,符合板形在线识别结果精确、速度快的要求,可以应用到实际工程中。
【关键词】：板形 模式识别 神经网络 K-均值聚类 最小二乘支持向量机
【学位授予单位】：河北工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG334.9
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-15
• 1.1 板形识别的背景及研究意义9-10
• 1.2 板形识别技术的发展情况10-13
• 1.2.1 板形识别的现状10-12
• 1.2.2 板形识别的发展方向12-13
• 1.3 本课题研究的主要内容13-15
• 第二章 板形的相关基础及理论概述15-22
• 2.1 板形基础知识15-18
• 2.1.1 板形的概念15
• 2.1.2 板形表示方法15-17
• 2.1.3 板形缺陷分类17-18
• 2.2 板形检测、识别与控制18-20
• 2.2.1 板形信号检测18-19
• 2.2.2 板形模式识别19
• 2.2.3 板形控制手段19-20
• 2.3 本章小结20-22
• 第三章 板形缺陷模式识别方法的研究22-38
• 3.1 板形缺陷的基本模式22-23
• 3.2 板形缺陷模式识别的传统方法23-26
• 3.2.1 最小二乘法的板形模式识别23-24
• 3.2.2 基于勒让德多项式的最小二乘板形模式识别24-26
• 3.3 板形缺陷模式识别的智能方法26-37
• 3.3.1 BP神经网络板形模式识别26-31
• 3.3.2 基于GA优化的BP网络板形识别模型31-35
• 3.3.3 仿真与分析35-37
• 3.4 本章小结37-38
• 第四章 基于K均值聚类的RBF网络识别方法38-53
• 4.1 RBF神经网络38-41
• 4.1.1 RBF神经网络原理38-40
• 4.1.2 RBF神经网络结构40-41
• 4.2 基于K-均值聚类算法的RBF网络识别41-46
• 4.2.1 数据的归一化处理41-42
• 4.2.2 基于模糊距离的输入输出42-43
• 4.2.3 K-均值聚类算法确定RBF隐节点的数据中心43-46
• 4.3 仿真与分析46-52
• 4.4 复杂性与推广能力52
• 4.5 本章小结52-53
• 第五章 支持向量机法进行板形模式识别53-63
• 5.1 支持向量机53-57
• 5.1.1 支持向量机基本原理53-56
• 5.1.2 特征空间映射与核函数56-57
• 5.2 最小二乘支持向量机用于板形识别57-62
• 5.2.1 最小二乘支持向量机原理57-58
• 5.2.2 LSSVM板形识别模型的建立58-59
• 5.2.3 仿真与分析59-62
• 5.3 本章小结62-63
• 第六章 结论63-65
• 参考文献65-69
• 攻读学位期间所发表的学术论文目录69-70
• 致谢70

【相似文献】

中国期刊全文数据库 前9条

1 张清东，，陈先霖，徐金梧;板形缺陷模式识别方法的研究[J];钢铁;1996年S1期

2 杨光辉;张杰;李洪波;闫沁太;贾生晖;褚玉刚;;超宽带钢典型板形缺陷向量提取方法[J];北京科技大学学报;2014年04期

3 华建新;人工神经网络在板形缺陷识别中的应用[J];宝钢技术;1998年03期

4 陶红勇,王京,刘聪;基于RBF神经网络的板形缺陷识别[J];新疆钢铁;2003年02期

5 冯晓华;刘鹏;李静;徐美玲;;一种改进的基于神经网络的板形缺陷识别方法[J];重型机械;2009年06期

6 常铁柱;张清东;白剑;姜正连;吴彬;;软质镀锌薄带钢卷取中边部板形缺陷的产生机理与解决措施[J];北京科技大学学报;2008年02期

7 徐兴龙;孙志辉;李宣;;1400F铝带轧机板形缺陷识别处理[J];机电产品开发与创新;2006年06期

8 李秀军;吴首民;;DCR机组复杂板形缺陷产生机理与控制研究[J];机械工程与自动化;2013年04期

9 ;[J];;年期

中国重要会议论文全文数据库 前2条

1 侯元新;;冷轧机板形缺陷分析及控制方法[A];第二届钢材质量控制技术——形状、性能、尺寸精度、表面质量控制与改善学术研讨会文集[C];2012年

2 安世奇;王京;孙一康;;基于人工神经网络的板形缺陷识别[A];第二届全国信息获取与处理学术会议论文集[C];2004年

中国硕士学位论文全文数据库 前5条

1 陈瑶;基于径向基网络和支持向量机算法的板形缺陷识别的研究[D];河北工业大学;2015年

2 冯晓华;冷轧带钢板形缺陷模式识别的研究[D];西安理工大学;2005年

3 董振虎;热轧带钢板形缺陷的识别[D];济南大学;2012年

4 王超;板形缺陷的多辊矫直技术及其应用研究[D];浙江大学;2014年

5 张涛;冷轧板形缺陷识别的免疫遗传RBF-BP神经网络方法[D];辽宁科技大学;2014年

本文编号：797064