学位论文 > 优秀研究生学位论文题录展示

基于遗传算法的板形缺陷识别的研究

作　者: 王静
导　师: 李小华
学　校: 辽宁科技大学
专　业: 控制理论与控制工程
关键词: 板形模式识别遗传算法 RBF-BP组合神经网络 GA-RBF-BP网络
分类号: TP18
类　型: 硕士论文
年　份: 2012年
下　载: 12次
引　用: 0次
阅　读: 论文下载

内容摘要

钢材是发展国民经济必不可少的物质基础，其中带钢作为主要的钢产品，早已成为汽车、建筑、家电、军工等行业广泛使用的原材料。板带材在国民经济各部门中具有广泛而重要的应用。板带材的质量指标之一是板形(平直度)。板形缺陷的识别是板形控制的基础和关键。本文通过对冷轧板形缺陷模式的分析，在查阅了大量的中英文文献资料的基础上，提出了一种基于遗传算法的RBF-BP组合神经网络模型的冷轧带钢板形缺陷模式识别的方法，建立了以勒让德正交多项式为基本模式的模型，此模型为6个输入信号、3个输出信号的板形模式识别RBF-BP网络模型，同时运用遗传算法的特点，对RBF-BP的输入层与隐含层之间的权值，隐含层与输出层之间的权值以及隐含层的阈值、输出层的阈值进行优化处理，形成一种遗传算法与神经网络相结合的模型方法，即GA-RBF-BP模型，此模型可识别出6种常见板形缺陷基本模式的隶属度。该方法融合了RBF及其BP神经网络的优点并结合遗传算法的特点，具有逼近速度快，识别精度高的优点。本文在遗传算法的基础上，选取实际输出与期望输出之间的误差函数作为遗传算法的适应度函数，然后用遗传算法来调节权值、阈值，最后返回到组合神经网络中，经过多次仿真实验，使误差达到期望的值。文中对该方法进行了仿真研究，并与BP神经网络和RBF-BP神经网络识别方法的仿真结果进行了比较，结果表明本文的缺陷识别方法比单一神经网络识别方法、RBF-BP神经网络识别方法的效果更好，更适合于进行实时的板形控制。最后对一组实测数据进行仿真，仿真结果验证了该方法的可行性。

全文目录

摘要  5-6
ABSTRACT  6-9
1. 绪论  9-17
  1.1 研究背景及研究意义  9-10
  1.2 板形模式识别技术的发展情况  10-14
    1.2.1 板形模式识别技术的现状  10-13
    1.2.2 板形模式识别存在的问题  13-14
    1.2.3 板形模式识别的未来发展方向  14
  1.3 论文的研究内容及章节编排  14-17
2. 板形的相关基础知识  17-31
  2.1 板形控制基本概念  17-22
    2.1.1 板形  17-19
    2.1.2 平直度表示方法  19-22
  2.2 板形的描述方法  22-25
  2.3 板形缺陷的产生原理  25-29
    2.3.1 良好板形存在的条件  27-28
    2.3.2 影响板形的因素  28-29
  2.4 本章小结  29-31
3. 遗传算法和神经网络基础  31-47
  3.1 遗传算法基础  31-35
    3.1.1 遗传算法的产生与发展  31
    3.1.2 遗传算法的特点  31-32
    3.1.3 遗传算法的基本操作  32-33
    3.1.4 遗传算法与数值优化  33-35
  3.2 神经网络概述  35-46
    3.2.1 神经网络的基本特点与功能  36
    3.2.2 神经网络的基本特点  36-37
    3.2.3 神经网络的基本功能  37-39
    3.2.4 BP 神经网络及其算法  39-43
    3.2.5 RBF 神经网络及算法  43-44
    3.2.6 RBF-BP 神经网络模型及算法  44-46
  3.3 本章小结  46-47
4. 基于 GA 的 RBF-BP 组合神经网络的板形缺陷识别  47-55
  4.1 板形模式识别概述  47
  4.2 板形基本模式的确定  47
  4.3 标准板形的归一化处理  47-49
  4.4 GA-RBF-BP 组合神经网络板形模式识别模型的建立  49-54
    4.4.1 建模的基本思想  49
    4.4.2 输入神经元的确定  49-50
    4.4.3 输出神经元的确定  50
    4.4.4 遗传算法的优化  50-51
    4.4.5 训练样本的选取  51-52
    4.4.6 GA-RBF-BP 组合神经网络板形模型识别  52-54
  4.5 本章小结  54-55
5. 板形识别效果的仿真分析  55-61
  5.1 BP 网络的仿真  55-56
  5.2 RBF-BP 网络的仿真  56-57
  5.3 GA-RBF-BP 组合网络的仿真  57-58
  5.4 仿真结果的分析  58-59
  5.5 板形识别效果的实例分析  59-60
  5.6 本章小结  60-61
6. 结论  61-63
  6.1 本文的研究内容  61
  6.2 本文的研究成果  61-63
参考文献  63-65
附录  65-71
致谢  71-73
作者简介  73-74

基于遗传算法的板形缺陷识别的研究

内容摘要

全文目录

相似论文