导读:本文包含了板形模式论文开题报告文献综述及选题提纲参考文献，主要关键词:板形,模式识别,深度学习,循环神经网络
板形模式论文文献综述
宋明明,王东城,张帅,徐扬欢,刘宏民[1]（2018）在《基于循环神经网络的板形模式识别模型》一文中研究指出板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。(本文来源于《钢铁》期刊2018年11期）
吴忠强,康晓华,于丹琦[2]（2018）在《基于小波消噪和优化支持向量机的板形模式识别》一文中研究指出提高板形模式识别的精度利于得到高精度的控制效果。针对实测的板形信号中混有噪声信号的问题,利用双变量阈值小波去噪,克服了软硬阈值函数在处理小波系数方面存在的缺点,使得去噪的效果更好。将去噪后的板形信号离散化,作为支持向量机的学习样本,建立识别模型。引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群和遗传算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。(本文来源于《中国机械工程》期刊2018年01期）
康晓华[3]（2017）在《基于小波消噪和智能优化算法的板形模式识别》一文中研究指出近年来,作为第四次工业革命的核心,人工智能在模式识别领域扮演着越来越重要的角色,其在语音、自然语言处理、计算机视觉、机器学习、知识图谱识别、分类、跟踪等方面的应用越来越广泛,人工智能在逐步的改变人类社会的各个方面。作为国民经济的支撑行业,钢铁工业一直以来都是备受关注的。随着科学技术的不断进步,各行各业对板带材质量的要求越来越严格。而轧制出高质量的板带材的首要任务就是提高板形模式识别的精度。将人工智能引入到板形模式识别当中,不仅可以提高板形模式识别的准确率而且还能加快识别速度。基于此本文的主要研究工作如下:针对在板形信号的测量当中存在噪声信号的问题,首先利用双变量阈值小波去噪,解决了软、硬阈值函数在处理小波系数方面存在的问题,使得去噪的效果更好。为了提高板形模式识别的准确率,提出基于支持向量机的板形识别模型。支持向量机在解决小样本、非线性和高维数的建模问题上,表现出较强的学习能力和泛化能力。将去噪后的板形信号离散化,作为支持向量机的学习样本,引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群、遗传和网格搜索算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。考虑到在实际信号当中,在去除噪声的同时,保留信号的奇异性也很重要,提出自适应阈值函数的小波去噪方法。针对支持向量机只适合单输入、单输出系统的问题,提出终端滑模模糊神经网络的板形识别模型。利用终端滑模权值调整律代替梯度下降法的权值调整律,提高网络的精度。引入布谷鸟算法优化模糊神经网络的模型参数,进一步提高识别的精度和收敛速度。仿真结果表明,提出的识别模型取得了更好的识别效果。(本文来源于《燕山大学》期刊2017-12-01）
李海滨,高武杨,来永进,张秀玲[4]（2016）在《GA-T-S云推理网络板形模式识别的DSP实现》一文中研究指出针对现有神经网络大多是在软件的基础上进行仿真,训练时间长,不利于工程实际应用的问题,提出了GA-T-S云推理网络板形模式识别的DSP实现方法。首先以设计的板形模式识别GA-T-S云推理网络模型为基础,利用TI TMS320F2812完成T-S云推理网络的DSP设计;然后利用MATLAB遗传算法工具箱离线优化T-S云推理网络参数,将优化后的网络参数存入DSP中,进而分别在MATLAB与DSP上运行该网络;最后将运行结果分别进行显示与对比分析。实验结果证实了基于GA-T-S云推理网络的板形模式识别模型有较高的板形识别精度,能够正确识别出板形缺陷的类型,同时验证了GA-T-S云推理网络在硬件TI TMS320F2812上实现的可行性与快速性,从而为神经网络推广应用到实际工程中提供了依据。(本文来源于《中国机械工程》期刊2016年17期）
任新意,高慧敏,唐伟,齐海峰,胡建军[5]（2016）在《基于模式识别的超宽带钢初始板形与连退跑偏》一文中研究指出针对超宽带钢在连续退火炉内跑偏所导致的产线降速、停车或断带等系列问题,首先通过现场试验确定带钢非对称初始板形是导致跑偏的关键因素。同时,为了定量分析超宽带钢初始板形形态与退火炉内跑偏的影响规律,对板形仪离线检测数据进行含有3次项的板形基本模式分解,统计分析各个阶次的基本模式板形与带钢连退炉内跑偏的对应关系,并制定防止带钢跑偏的板形控制标准和连退工艺制度。现场实际应用结果表明,超宽规格带钢月均跑偏率从72.5%下降到12.7%,且全年没有发生由于跑偏造成的停车或断带事故,取得了巨大的经济效益和社会效益。(本文来源于《钢铁》期刊2016年08期）
陈飞[6]（2016）在《基于GAPSO-BP算法的高阶板形在线模式识别及其检测系统》一文中研究指出钢铁工业作为国民经济的支柱产业,是衡量一个国家综合实力的标志,高精度带钢的生产是钢铁产业发展的重点,因此如何提高板带钢材制造的工艺水平一直是工业企业关注的重点。板形检测与板形控制是冷轧板带生产过程的关键技术,论文依托国家自然科学基金课题,以板形检测、在线模式识别及板形控制策略为研究课题,针对板形精细化控制和信号采集处理等问题进行了深入系统的研究,取得了一些新的进展。论文以工业压电板形仪为研究对象,建立检测辊及板带的受力情况有限元模型,在不同张力条件下,改变板厚、包角,研究检测辊变形对板形检测曲线的影响。通过对板带内部张应力分布和检测辊所受压力分布曲线进行对比,分析板带内部张应力的分布趋势和检测辊所受的压力分布的关系,推导出板形合理的补偿曲线,由此可得出符合实际情况的板形缺陷分布规律。针对板形精细控制所存在的多维非线性问题,进行高阶板形识别系统建模,研究高阶非线性系统所描述的板形缺陷形成规律,在保证正交性的基础上,采用高阶勒让德多项式作为板形识别基本模式,识别6次板形缺陷,以适应板形精细化控制。通过研究遗传算法和粒子群算法的混合算法,优化BP神经网络结构及权值、阈值,建立GAPSO-BP神经网络在线识别模型,解决了BP神经网络收敛速度慢、初始权值影响大、易陷入局部极小和网络结构难确定等问题。通过实验计算,表明GAPSO-BP神经网络的抗干扰能力和自学习适应能力强、精度高,能为板形控制策略的制定提供可靠的依据。论文利用GAPSO-BP神经网络模型,对实测板形进行模式识别,分类研究板形缺陷并制定相应的控制方案,分析表明该系统的识别精度高,可用于在线板形闭环反馈控制。构建了实测平台,通过可视化界面建立检测信号与板形控制手段的关系,为板形控制的实施提供了依据。针对高速板形仪压电传感器的特点,采用有线信号采集与传输技术,自行设计了滑环式的有线信号采集与传输系统,开发板形信号海量数据采集与处理系统及相应模块,在线显示数据采集过程,进行分析处理。(本文来源于《燕山大学》期刊2016-05-01）
黄江平,杜鹏,张太杰[7]（2015）在《一种以傅里叶级数为基模式的板形模式识别方法》一文中研究指出针对传统的以勒让德正交多项式为基模式的板形模式识别方法时间效率低、基本形式固定、识别类型局限性较大的缺点,本文提出一种新型的以傅里叶级数为基模式的板形识别方法。该模型由一系列的单频正弦函数构成,其组成结构简单、形式统一。通过对实测的板形数据进行分析,表明该方法能提高板形模式识别的精度,识别结果更具有完备性,简化板形控制的目标,有利于提高板形控制精度和优化轧制工序。(本文来源于《第26届中国过程控制会议（CPCC2015）论文集》期刊2015-07-31）
包仁人,张杰,李洪波,贾生晖,刘海军[8]（2015）在《超宽带钢冷连轧机板形模式识别》一文中研究指出引入以叁次勒让德多项式表达的基本板形模式,并采用基于最小二乘原理的回归分析方法建立了板形模式识别模型.对某厂2180 mm CVC(continuously variable crown)超宽带钢冷连轧机和1550 mm UCM(universal crown mill)普通宽带钢冷连轧机的板形进行了识别与对比,结果表明对超宽带钢轧机板形而言,引入叁次基本板形模式识别出的主要板形缺陷为"OS(operating side)单侧肋浪加DS(driving side)单边浪",未引入为"四分之一浪";对普通宽带钢轧板形,识别结果均为"中浪",验证了在超宽带钢冷连轧机板形模式识别中引入叁次基本板形模式的必要性,并讨论了此模型在超宽带钢冷连轧机板形缺陷分析及非对称板形控制方面的应用价值.(本文来源于《工程科学学报》期刊2015年S1期）
李艳,张自立,吕建红[9]（2014）在《一种基于CMAC神经网络的板形模式识别新方法》一文中研究指出针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。(本文来源于《河北工业科技》期刊2014年03期）
周珍娟[10]（2014）在《基于改进T-S云推理网络的板形模式识别方法研究》一文中研究指出隶属度函数的替代方式是正态云,是把T-S和云模型二者进行了网络的有机结合,继而构成了T-S的云推理网络系统。此网络很清晰的对T-S云推理的稳定性和结构进行了分析,主要通过对模糊逻辑在云模型和快速性方面数据的不稳定性,继而增强网络在数据处理方面的能力。利用快速的下降法对T-S推理网络下的参数进行识别,并且会把这个网络在版型模式的识别上来加以利用。和T-S的神经网络进行比较。最后的对比结果显示,T-S的云推理网络在抗干扰能力上是最强的。不但识别的精度很高,而且还能对常见板型的缺陷来加以识别。(本文来源于《计算机光盘软件与应用》期刊2014年04期）
板形模式论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提高板形模式识别的精度利于得到高精度的控制效果。针对实测的板形信号中混有噪声信号的问题,利用双变量阈值小波去噪,克服了软硬阈值函数在处理小波系数方面存在的缺点,使得去噪的效果更好。将去噪后的板形信号离散化,作为支持向量机的学习样本,建立识别模型。引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群和遗传算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
板形模式论文参考文献
[1].宋明明,王东城,张帅,徐扬欢,刘宏民.基于循环神经网络的板形模式识别模型[J].钢铁.2018
[2].吴忠强,康晓华,于丹琦.基于小波消噪和优化支持向量机的板形模式识别[J].中国机械工程.2018
[3].康晓华.基于小波消噪和智能优化算法的板形模式识别[D].燕山大学.2017
[4].李海滨,高武杨,来永进,张秀玲.GA-T-S云推理网络板形模式识别的DSP实现[J].中国机械工程.2016
[5].任新意,高慧敏,唐伟,齐海峰,胡建军.基于模式识别的超宽带钢初始板形与连退跑偏[J].钢铁.2016
[6].陈飞.基于GAPSO-BP算法的高阶板形在线模式识别及其检测系统[D].燕山大学.2016
[7].黄江平,杜鹏,张太杰.一种以傅里叶级数为基模式的板形模式识别方法[C].第26届中国过程控制会议（CPCC2015）论文集.2015
[8].包仁人,张杰,李洪波,贾生晖,刘海军.超宽带钢冷连轧机板形模式识别[J].工程科学学报.2015
[9].李艳,张自立,吕建红.一种基于CMAC神经网络的板形模式识别新方法[J].河北工业科技.2014
[10].周珍娟.基于改进T-S云推理网络的板形模式识别方法研究[J].计算机光盘软件与应用.2014