亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PSO小波神經(jīng)網(wǎng)絡的熱連軋板材質量模型優(yōu)化

        2015-11-17 12:22:51劉濤
        電腦知識與技術 2015年24期
        關鍵詞:粒子群優(yōu)化

        劉濤

        摘要:該文對熱連軋板材的生產(chǎn)過程進行分析,獲得了與其生產(chǎn)過程相關的數(shù)據(jù),確定了輸入輸出變量和神經(jīng)網(wǎng)絡結構,在研究小波神經(jīng)網(wǎng)絡和粒子群優(yōu)化小波神經(jīng)網(wǎng)絡的基礎上,構建了新的粒子群優(yōu)化小波神經(jīng)網(wǎng)絡模型。對構建的網(wǎng)絡模型進行實例仿真和對比分析,驗證了新的粒子群優(yōu)化小波神經(jīng)網(wǎng)絡收斂速度快、預測精度高的特點,與粒子群優(yōu)化神經(jīng)網(wǎng)絡比較,收斂時間縮短了28分20秒,預測結果顯示測試命中率提高了9.8%。

        關鍵詞:熱連軋;粒子群優(yōu)化;小波神經(jīng)網(wǎng)絡;質量模型

        中圖分類號:TP18 文獻標識碼:A 文章編號:1009-3044(2015)24-0113-03

        目前,提高鋼材質量不僅是鋼鐵企業(yè)提高競爭力的手段,也是我國經(jīng)濟飛速發(fā)展的需要。隨著計算機技術的日益發(fā)展,越來越多的鋼鐵企業(yè)將利用計算機技術來提高鋼鐵質量作為發(fā)展方向;熱連軋是將連鑄板坯或初軋板坯經(jīng)過一系列工序軋制成力學性能優(yōu)異、組織性能密實的板材,是鋼鐵軋制方式的一種。影響熱連軋板材質量的因素眾多,構建板材質量的預測模型十分復雜,質量控制難度較大。人工神經(jīng)網(wǎng)絡技術是一種比較成功的數(shù)據(jù)建模技術,近些年來,國內(nèi)外將其運用于熱連軋板材生產(chǎn)過程的研究非?;钴S[1-7],本文基于這些研究,采用新的粒子群優(yōu)化小波神經(jīng)網(wǎng)絡構建熱連軋板材質量模型,不僅提高了預測精度,還大幅度提高了收斂速度。

        1 多輥熱連軋板材質量數(shù)據(jù)的收集與處理

        多輥熱連軋板材生產(chǎn)過程一般分為四個區(qū)域,分別加熱區(qū)、粗軋區(qū)、精軋區(qū)和卷曲區(qū)。按照生產(chǎn)工藝過程又可分為七個子系統(tǒng),包括,板坯準備、加熱、粗軋、精軋、軋后冷卻、卷曲和精整[8]。熱連軋板材質量預測模型是一個非線性模型,同時具有多輸入、高維復雜的特點,建模過程中數(shù)據(jù)收集和處理十分關鍵。

        1.1 數(shù)據(jù)收集

        熱連軋還涉及煉鋼、初軋和檢驗系統(tǒng),需將煉鋼、連鑄到熱軋的各個工序之間的數(shù)據(jù)在時間跨度上和不同數(shù)據(jù)之間進行整合,如圖1;熱軋數(shù)據(jù)集市的實現(xiàn),實現(xiàn)過程中采用“自底向上”和“自頂向下”相結合的方法。如圖2。

        1.2 數(shù)據(jù)樣本預處理

        數(shù)據(jù)預處理非常重要,會直接影響到模型的預測結果,所以在數(shù)據(jù)建模之前必須對樣本進行預處理。實際建模時,鋼鐵企業(yè)提供的數(shù)據(jù)集具有樣本容量大、數(shù)據(jù)有噪聲和數(shù)據(jù)維數(shù)較高三個明顯特征,通常采用數(shù)據(jù)采樣、數(shù)據(jù)整理和數(shù)據(jù)降維技術來處理。

        數(shù)據(jù)采樣運用采樣技術(如隨機抽取樣本、按一定的時間間隔抽取樣本、按相應的鋼種抽取樣本、按聚類結果抽取樣本等)從數(shù)據(jù)集市中補充或者從目標數(shù)據(jù)集中抽取有意義的數(shù)據(jù);數(shù)據(jù)整理即對數(shù)據(jù)進行清洗,直接刪除數(shù)據(jù)集中那些重復、缺損、離群值和矛盾數(shù)據(jù);數(shù)據(jù)降維有兩種方式,一種是從原始數(shù)據(jù)集中取變量組合,一種是從原始數(shù)據(jù)中抽取變量,通過降維可尋找合適的變量或變量組,實現(xiàn)高效率。

        2 新PSO小波神經(jīng)網(wǎng)絡模型

        粒子群優(yōu)化小波神經(jīng)網(wǎng)絡采用粒子群算法的搜索迭代公式,而沒有采用梯度下降法,相對比較簡單,而且具有局部尋優(yōu)特點,能跳出局部極小值點。但是因為采用梯度下降法,預測精度和收斂速度都有待提高。本文提出了粒子群優(yōu)化的高維小波神經(jīng)網(wǎng)絡,誤差先用小波神經(jīng)網(wǎng)絡進行計算,然后再將粒子群算法(PSO)與基于梯度下降的誤差反傳算法結合來修正小波神經(jīng)網(wǎng)絡的各種參數(shù),網(wǎng)絡能以最快的速度達到極小值,且能跳出局部極小值點。

        2.1 新PSO小波神經(jīng)網(wǎng)絡算法

        步驟(1):確定網(wǎng)絡層數(shù)和隱層的節(jié)點數(shù),初始化網(wǎng)絡參數(shù):vnj—輸出層與隱含層之間的權值;wij—隱含層和輸入層之間的權值;aj—伸縮因子;bj—平移因子;pre_err—期望誤差;xp—輸入樣本;dp—輸出樣本;p—樣本個數(shù);a—隱含層到輸出層之間的學習率;b—輸入層到隱含層之間的學習率;alpha—動量項;m—輸入層節(jié)點數(shù);c1—加速因子;N—輸出層節(jié)點數(shù);K—隱含層節(jié)點數(shù);Count—最大迭代次數(shù)。

        步驟(2):輸入一組學習樣本及相應的期望輸出。

        步驟(3):計算輸出值,樣本p的隱含層第j個神經(jīng)元的輸出為:

        [yjp=hnetjp-bjaj,j=1,2,…,K] (1)

        式中[netjp=i=1mwij?xip] (2)

        其中,xip—樣本p的輸入層的第i個節(jié)點的輸入值;wij—輸入層第i個節(jié)點連接到隱含層第j個節(jié)點的權值。

        輸出層的輸出為[ynp=fnetnp] (3)

        式中[netnp=j=1Kvnj?yjp] (4)

        其中,vnj—隱含層的第j個節(jié)點連接到輸出層的第n個節(jié)點的權值;netnp—樣本P 的輸出層第n個節(jié)點的輸入值。

        隱含層激勵函數(shù):[hx=cos1.75xexp-0.5x2] (5)

        導數(shù)形式:

        [hx′=-1.75sin1.75xexp-x2/2+-xcos1.75xexp-x2/2](6)

        激勵函數(shù)為Sigmoid函數(shù):[fx=11+e-x,0

        導數(shù)形式:[f′x=fx1-fx] (8)

        步驟(4):網(wǎng)絡參數(shù)調整

        誤差計算:[Epn=12ypn-dpn2] (9)

        總誤差:[E=12PP=1Pn=1NEpn] (10)

        隱含層與輸出層權值梯度向量:[δij=?Epn?netpj=n=1Nδnjvnj?ypj?netpj]

        (11)

        輸出層與隱含層權值梯度向量:

        [δij=?Epn?netpn=?Epnypn?ypn?netpn=ypn-dpnf′netpn=ypn-dpnfpn1-ypn](12)

        伸縮因子梯度向量:[δaj=?Epn?aj=n=1Nδnjvnj?ypj?aj] (13)

        平移因子梯度向量:[δbj=?Epn?bj=n=1Nδnjvnj?ypj?bj] (14)

        當前修正值計算

        :[Δvknj=aδnjypj+alphaΔvk-1nj] (15)

        [Δwkij=bδijxpj+alphaΔwk-1ij] (16)

        [Δakj=bδaj+alphaΔak-1j] (17)

        [Δbkj=bδbj+alphaΔbk-1j] (18)

        誤差反傳算法調整網(wǎng)絡參數(shù):

        [vnj=vnj+Δvnj] (19)

        [wij=wij+Δwij] (20)

        [aj=aj+Δaj] (21)

        [bj=bj+Δbj] (22)

        轉至步驟(2),采用公式(十)計算總誤差,當[E≤pre_err],算法結束,當[E

        [Ebest=E](23)[wijbest=wij](24)[vnjbest=vnj](25)[ajbest=aj](26);式中:[i=1,2,…,m];[j=1,2,…,K];[n=1,2,…,N];[Ebest]為全局最小誤差,[wijbest],[vnjbest],[ajbest],[bjbest]分別為對應權值的最優(yōu)值。

        用粒子群算法進行網(wǎng)絡參數(shù)調整。

        [wij=wij+c1?rand()?wijbest-wij] (27)

        [vnj=vnj+c1?rand()?vnjbest-vnj] (28)

        [aj=aj+c1?rand()?ajbest-aj] (29)

        [bj=bj+c1?rand()?bjbest-bj] (30)

        步驟(5):如果上次迭代未達到最大訓練次數(shù),則轉入下一次迭代。

        3 仿真實驗分析

        為了將新的粒子群優(yōu)化小波神經(jīng)網(wǎng)絡模型、粒子群優(yōu)化小波神經(jīng)網(wǎng)絡模型和小波神經(jīng)網(wǎng)絡模型進行比較,本文通過實驗分析了這三個模型的收斂時間和預測精度。新的粒子群優(yōu)化小波神經(jīng)網(wǎng)絡算法參數(shù)表1所示。

        4 結論

        本文通過分析熱連軋產(chǎn)品的生產(chǎn)過程,獲得了與其生產(chǎn)過程相關的數(shù)據(jù)和控制變量,對樣本數(shù)據(jù)進行收集和預處理,確定網(wǎng)絡結構;在研究小波神經(jīng)網(wǎng)絡和粒子群優(yōu)化小波神經(jīng)網(wǎng)絡的基礎上,構建了新的粒子群小波神經(jīng)網(wǎng)絡,并通過實驗數(shù)據(jù)對三者進行了對比分析,驗證了新的粒子群優(yōu)化小波神經(jīng)網(wǎng)絡收斂速度快、預測精度高的特點,與粒子群優(yōu)化神經(jīng)網(wǎng)絡比較,收斂時間縮短了28分20秒,預測結果顯示測試命中率提高了9.8%。將其運用于實際生產(chǎn)中,可以降低成本,提升企業(yè)競爭力。

        參考文獻:

        [1] Niclaus F Portmann,Dieter Lindhoff, Gunter Sorgel, etal. Application of neural networks in rolling mill automation[J].Iron and Steel Engineer. 1995,72(2):33-36.

        [2] Simens A.G. Intelligent answer to HSM control problems[J]. Steel Times International,1996,20(1):16-17.

        [3 ]孫立萍.基于T-S模型的模糊辨識方法及其應用研究[D].燕山大學, 2006.

        [4] 孫曉娜.基于神經(jīng)網(wǎng)絡的軋制力模型研究與應用[D].燕山大學, 2010.

        [5] 馬文博,吳斌,朱天,等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡的熱軋產(chǎn)品性能預測[J].廣西師范大學學報:自然科學版,2010(3):182-186.

        [6]邢進生,萬百五.兩階段混合算法及其在熱軋數(shù)據(jù)建模中的應用[J].西安交通大學學報, 2000,34(12):105-107.

        [7]賈磊,萬百五,馮祖仁.以高維輸入神經(jīng)網(wǎng)絡作為生產(chǎn)線產(chǎn)品質量模型[J].控制與決策, 2000,15(5):569-572.

        [8] 萬百五.工業(yè)大系統(tǒng)優(yōu)化與產(chǎn)品質量建模[M].北京:科學出版社,2003,61-71,74-80,285.

        猜你喜歡
        粒子群優(yōu)化
        基于降維與粒子群優(yōu)化的水下傳感網(wǎng)定位算法
        基于邊界變異的一種新的粒子群優(yōu)化算法
        引入螢火蟲行為和Levy飛行的粒子群優(yōu)化算法
        一種機會約束優(yōu)化潮流的新解法
        能源總量的BP網(wǎng)絡與粒子群優(yōu)化預測
        科技視界(2016年20期)2016-09-29 11:58:53
        基于PSO和視覺顯著性的棉花圖像分割算法
        發(fā)動機曲軸多工序裝配的質量預測模型研究
        分簇競爭PSO測試用例自動生成算法
        軟件導刊(2015年12期)2016-01-05 06:30:06
        基于混合粒子群優(yōu)化的頻率指配方法研究
        基于混合核函數(shù)的LSSVM網(wǎng)絡入侵檢測方法
        亚洲日韩乱码中文无码蜜桃臀| 国产成年人毛片在线99| 亚洲国产成人精品无码区在线播放| 中文www新版资源在线| 国产欧美乱夫不卡无乱码 | 国产丝袜高跟美腿一区在线| 国产成人国产三级国产精品| 欧美日韩亚洲中文字幕二区| 77777亚洲午夜久久多人| 欧美日韩国产高清| av天堂网手机在线观看| 中文字幕日韩欧美一区二区三区| 国产精品福利视频一区| 国产美女裸身网站免费观看视频| 亚洲最大不卡av网站| 国产 精品 自在 线免费| 精品久久久中文字幕人妻| 国产亚洲AV天天夜夜无码| 91亚洲免费在线观看视频| 中文字幕亚洲无线码一区女同| 亚洲爆乳少妇无码激情| 久久久久久久久高潮无码| 蜜桃视频一区二区三区四| 正在播放国产多p交换视频| 免费一区在线观看| 粗一硬一长一进一爽一a视频| 免费观看91色国产熟女| 欧洲极品少妇| 亚洲欧美国产精品久久久| 免费看黄视频亚洲网站| 麻豆精品国产精华液好用吗| 初高中生精品福利视频| 日本大片在线一区二区三区| 亚洲av丰满熟妇在线播放| 亚洲av男人的天堂在线观看 | 熟妇人妻丰满少妇一区 | 免费蜜桃视频在线观看| 亚洲妇熟xxxx妇色黄| 荡女精品导航| 午夜男女视频一区二区三区| 久久99精品久久久久麻豆|