（计算机应用技术专业论文）板形模式识别与控制的智能方法研究.pdf

摘要 摘要 现代工业的发展对冷轧带钢生产提出了更高的要求，不断提高板材产 品的板形质量成为现代高精度轧机必须解决的问题之一。因此，板形控制 日益成为钢铁企业面l 临的重要课题，板形模式识别是板形控制的前提，为 板形闭环控制系统的关键环节，也是板形控制研究的热点问题。近来，人 工智能的方法以其在建模，优化和控制等方面所具有的强大功能在板形模 式识别和控制领域得到了迅猛的发展。本文对国内外关于板形模式识别与 控制方法的研究现状进行了综合分析，找出传统方法存在的不足，对板形 模式识别与控制的智能方法进行了研究。 首先，分析了现阶段神经网络板形模式识别模型存在的网络结构难以 确定，学习时间长，易陷入局部极小值等问题，基于支持向量机( s u p p o r t v e c t o rm a c h i n e s ，s v m ) 与径向基( r a d i a lb a s i sf u n c t i o n , r b f ) 网络的等价 性，利用s v m 回归训练确定r b f 网络较优的初始参数，建立了基于s v m 的r b f 网络板形模式识别模型。 其次，发现了以往板形模式识别方法中存在输入冗余的问题，利用板 形基本模式的两两互反特性，将待识别样本与一对互反的基本模式的模糊 距离之差作为r b f 网络的输入，使网络的输入节点减半，进一步实现了板 宽变化时网络结构的固定化和简单化，提高了板形模式识别的精度和速度。 再次，分析了以往板形智能控制方法的局限性，提出了板形控制的动 态矩阵方法，该方法考虑到生产的实时特性，建立了板形控制的预测模型， 不断调整反应板形特征参数量与调节量之间数学关系的板形影响矩阵，实 时为板形控制提供依据。 最后，通过仿真实验对本文所提出的改进的基于s v m 的r b f 网络板 形模式识别方法以及板形控制的动态矩阵方法进行了仿真验证。 关键词板形模式识别；r b f 网络；s v m ；模糊距离：板形控制 燕山大学工学硕士学位论文 a b s t r a c t i no r d e rt om e e tt h eh i g hd e m a n d so ft h ec o l dr o l l i n gs y s t e m ，i m p r o v i n g t h ef l a t n e s s q u a l i t yi n c r e a s i n g l y h a sb e c o m eo n eo ft h em o s ti m p o r t a n t q u e s t i o n st h a ta r eu r g e n tt ob es o l v e d t h e r e f o r e ，f l a t n e s sc o n t r o lh a sb e c o m e t h ek e yt ot h es t e e ls y s t e m f l a t n e s sp a t t e mr e c o g n i t i o ni st h ep r e c o n d i t i o na n d t h ei m p o r t a n tp a r to ft h ef l a t n e s sc o n t r o ls y s t e ma sw e l la st h eh o tt o p i c r e c e n t l yt h ea r t i f i c i a li n t e l l i g e n c et h e o r yw h i c hh a sag o o df u n c t i o no nm o d e l s e t t i n g ，o p t i m i z a t i o n ，c o n t r o l l i n gw a sw i d e l yu s e di nt h e f i e l do ff l a t n e s s p a t t e r nr e c o g n i t i o na n df l a t n e s sc o n t r o ls y s t e m a na n a l y s i sh a sb e e nm a d eo n t h ec u r r e n ts i t u a t i o nb o t hi nh o m ea n da b r o a d ，t h ep r o b l e m so ft h ep r e v i o u s a r t i f i c i a li n t e l l i g e n c em e t h o d sh a v eb e e ns h o w ni nt h i sp a p e ra n das t u d yh a s b e e nm a d eo na p p r o a c h e st o f l a t n e s s p a r e mr e c o g n i t i o n a n dc o n t r o l r e s p e c t i v e l yw h i c hw e r ep r o p o s e di nt h ep a p e r a b o v ea l l ，p r o b l e m so ft h et r a d i t i o n a lm o d e lk n o w na sn e u r a ln e t w o r k w i t hs l o wc o n v e r g e n c ea n dl o c a lm i n i m u me t ch a v eb e e na n a l y z e d t h er a d i a l b a s i sf u n c t i o n ( r b f ) n e t w o r kb a s e do n s u p p o r tv e c t o rm a c h i n e s ( s v m ) m o d e l h a sb e e na p p l i e di nt h ef l a t n e s sp a r e mr e c o g n i t i o ns y s t e ms ot h a ta ne f f e c t i v e m o d e lt of l a t n e s sp a t t e r nr e c o g n i t i o nh a sb e e ne s t a b l i s h e d s e c o n d l y ，t h ep r o b l e mo fi n p u tr e d u n d a n c yh a sb e e nf o u n d t h ef u z z y d i s t a n c e st oe v e r yt w ot y p i c a lp a t t e r n sw e r ec a l c u l a t e dr e s p e c t i v e l y t h e d e d u c t i o no ft h ef u z z yd i s t a n c e sw a sr e g a r d e da st h ei n p u to fr b fn e t w o r k , w h i c hh a sg o tt h en u m b e r so fi n p u t sd e c l i n e db yah a l fa n dm a d et h es t r u c t u r e o fr b fn e t w o r ks i m p l e r t h ea p p r o a c hh a sb e e np r o v e dw i t hh i 曲p r e c i s i o n a n ds p e e d i tc o u l da l s ob ep u ti n t oo t h e rf i e l d so fp a t t e r nr e c o g n i t i o ni nw h i c h r e c i p r o c a lp o l y n o m i a l sf o re v e r yt w ot y p i c a lp a t t e r n sa r ee x i s t e d m o r e o v e lt h ew e a k n e s so fp r e v i o u sf l a t n e s sc o n t r o lm e t h o dh a sb e e n a b s t m e t a n a l y z e da n dt h ed y n a m i cm a t r i xm e t h o do ff l a t n e s sc o n t r o lw a sp r e s e n t e d t h e r e a l - t i m ef e a t u r eh a sb e e nc o n s i d e r e da n dt h ep r e d i c t i n gm o d e lo ff l a t n e s s c o n t r o lw a se s t a b l i s h e dt oa d j u s tt h ee f f e c t i v em a t r i xa n dp r o v i d et h ef l a t n e s s c o n t r o lw i t ha c c u r a t ei n f o r m a t i o n f i n a l l y ，t h ei m p r o v e dr b fn e t w o r kf l a t n e s sp a t t e r nr e c o g n i t i o nb a s e do n s v mm e t h o da n dt h ei n t e l l i g e n tc o n t r o lb a s e do nd y n a m i cc o n t r o lm a t r i xh a s b e e np r o v e dw i t l lag o o dc o r r e c t n e s sa n df e a s i b i l i t i e st h r o u g ht h ee x p e r i m e n t a l r e s u l t s k e y w o r d sf l a t n e s sp a t t e r nr e c o g n i t i o n ；r b fn e t w o r k ；s v m ；f u z z yd i s t a n c e ； f l a t n e s sc o n t r o l 燕山大学硕士学位论文原创性声明 本人郑重声明：此处所提交的硕士学位论文板形模式识别与控制的智能 方法研究，是本人在导师指导下，在燕山大学攻读硕士学位期间独立进行 研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人 己发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集 体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。 作者签字日期：伽o 年) ，月r 日 燕山大学硕士学位论文使用授权书 板形模式识别与控制的智能方法研究系本人在燕山大学攻读硕士 学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归燕山大 学所有，本人如需发表将署名燕山大学为第一完成单位及相关人员。本人 完全了解燕山大学关于保存、使用学位论文的规定，同意学校保留并向有 关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权 燕山大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文 的全部或部分内容。 保密口，在年解密后适用本授权书。 本学位论文属于 不保密口。 ( 请在以上相应方框内打“、，”) 作者签名。 套确 日期：硼年 月f 日 导师签名： 口叼移哥 日期：m 年j ) ，月i - 日 第1 章绪论 第1 章绪论 1 1 板形理论及其研究背景 “板形”就其实质而言，是指带钢内部残余应力的分布情况。板形好 坏取决于带钢沿宽度方向的延伸是否相等，板形不良或板形缺陷基本上是 由于纵向延伸在带钢宽度方向上的不均而产生的。通常意义上说，板形是 指板带的翘曲度，是衡量冷轧板带材平整情况的重要参数【l 】。一般采用相 对延伸分布来表示翘曲度，引入单位埃i = 1 0 。则可以更方便地来表示翘曲 度，优良板形为7 1 5i 。中等板形为2 0 , - 4 0i ，大于4 0i 为差板形1 2 j 。 为了满足冷轧带钢生产质量的要求，板形控制研究日益受到人们的关 注，板形模式识别是板形控制理论的重要内容，是板形控制的主要组成部 分，其主要任务就是把在线检测反映板形状况的一组张力分布离散值 ( 仃( f ) = 1 ，2 ，”) ，经过一定的方法，得到板形基本模式( 或称板形缺陷模式) 参数值即特征参数值，为采取相应的板形控制措施提供了依据1 3 j 。板形控 制根据目标板形和实测板形的偏差来确定控制手段，板形的模式识别就是 为了准确确定偏差量，其识别方法总是和板形控制手段相一致i ”】。 1 1 1 板形模式识别的研究背景 将板形的应力的分布值转化为一个定量的板形质量指标叫做板形评 价，将应力值转化为质量指标进行模式识别可以判断带钢存在的板形缺陷 类型，称之为板形的模式识别【6 】。7 0 年代以前，轧机控制手段有限，只能 纠正简单板形缺陷模式，板形采用二次多项式就能满足要求，是一种简单 有效的方法。早期进行板形模式识别或板形信号处理的方法，多是基于普 通多项式的最小二乘回归法【4 】。这种方法的缺点是，得到的各次板形分量 与工程中常见的板形基本模式( 单边浪、中间浪、双边浪、四分浪、边中浪1 大都没有对应关系，即物理意义不明确，而且为了提高逼近精度，需要较 燕山大学工学硕士学位论文 多的多项式系数和较高的次数，达不到压缩板形特征参数的目的，不利于 从宏观上把握板形的特征和采取相应的控制措施。 后来，人们提出了基于正交多项式的最小二乘回归识别法【7 】，达到了 压缩特征参数个数的目的，各次项与工程中常见的板形基本模式也有对应 关系，但各种板形基本模式所对应残余应力分布沿着板宽的方向积分不等 于零，不满足残余应力自相平衡的条件，不符合板形分布的本质。 总体来说，传统板形模式识别方法会遇到无法确定逼近阶n 的大小和逼 近能力有限两个难题，用于具有多种板形调控手段的新一代高技术板带轧 机上时，不能满足实际的需要，制约了轧机板形控制能力的发挥，因而有 必要采用新的板形模式识别方法。 1 1 2 板形控制的研究背景 研究板形的最终目标是实现板形自动控制，即通过板形控制系统使得 轧后板形与目标板形相符合。板形控制系统是一个有惯性，有滞后，多扰 动，多变量，强耦合的复杂工业控制系统【8 一，是现代高精度板带轧机的关 键技术和前沿技术。板形控制理论和数学模型是此项技术的基础和科学问 题。2 0 多年来，国内外对有关板形缺陷的生成机理，控制措施和控制系统 等进行了大量的研究，并取得了一定的应用效果。但对于板形控制显式数 学模型，即板形特征参数与调节量之间的数学关系的研究还很不够l 。 传统控制方法主要是采用常规的p i d 控制，是基于数学模型的控制【9 1 。 由于板形控制系统的高度非线性使得很难建立其精确的控制模型，当模型 不能很好的完成控制工作时，操作者必须手工干预【1 2 1 3 】。因此，操作者的 经验对于板形控制的稳定进行及精度提高具有重要意义。传统的板形控制 方法己不能满足其要求，于是设计者必须在寻求更精确的系统模型的同时， 更应该将先进的控制思想引入板形控制系统的研究中。 1 2人工智能在轧制领域的应用 人工智能与传统方法不同，它避开了过去那种对轧制过程深层规律无 2 第1 苹绪论 止境的探求，转而模拟人脑来处理那些实实在在发生了的事情。它不是从 基本原理出发，而是以事实和数据做依据，来实现对过程的优化控制1 1 4 l 。 利用大量的数据通过“训练”的过程告诉计算机，在什么条件下，什么钢 种，多高的温度，压下量多大，轧制力是多大? 经过千百次的训练，计算 机硬记住了这些因果关系。 当再次给出相似范围内的具体条件时，计算机会给出一个答案，这个 答案是可信的，因为他基于事实，是千百万次实实在在发生了的真实情况。 我们不必担心哪一条基本假设脱离实际，也不必怀疑哪步简化处理过于 粗糙，只要相信传感器相信过去发生的事件，采集到的数据是真实可靠的， 就有理由相信预报的结果。人工智能是我们一个强有力的工具，人工智能 进入轧制过程研究领域，是轧制理论和轧制技术发展历史上一件具有划时 代意义的大事1 1 5 ，1 6 o 1 2 1基于神经网络的板形模式识别研究 板形模式识别的主要任务是把在线检测到的一组张力分布离散值，经 过一定的方法，映射为较少的几个特征参数 】”，并且具有如下特性：尽可 能少的状态变量，数学表达简练；不丢失必要的信息；特征参数能够完全 反映原应力信号分布的值所决定的带钢板形质量状态；特征参数便于计算 机处理，满足控制上的要求。 板形模式识别又具有自己的特殊条件： 第一，板形模式识别中的总类群即板形缺陷的基本模式样本所反映的 基本模式都是预先确定的，只需估计隶属度，是有导师的分类。 第二，板形模式识别是在线运行的，所以要有毫秒级的运行速度，才 能满足实时控制的要求。 由此可见，神经网络是一种有效的选择。板形模式识别问题的实质为 判断输入样本与预先定义的板形基本模式的相似程度即隶属度问题，这正 是神经网络非常擅长的非线性映射估计问题【l ”，且神经网络对实测板形应 力信号具有一定的容错能力，运算速度较快，识别能力和精度均较高，因 此，将神经网络引入到板形模式识别系统中所提出的神经网络的板形模式 燕山大学工学硕士学位论文 识别方法的研究引起了人们广泛的关注。 1 2 2 基于神经网络的板形控制研究 研究板形的最终目标是实现板形自动控制，即通过板形控制系统使得 轧后板形与目标板形相符合。由于轧制过程具有多变量，强耦合，非线性， 时变性的特点，给板形控制机理模型的研究带来极大的困难1 1 5 _ 9 1 。这时智 能控制则体现了较大的优势。智能控制是以无模型为特征的更接近于人脑 思维方式的一种控制理论，它是以知识信息为基础进行学习和推理，用启 发式方法来引导求解，是含有复杂性，不确定性和模糊性，且一般不存在 已知算法的非传统数学公式化过程【2 0 - - 2 2 1 。 将神经网络模型引进非线性系统建模和辨识中，利用神经网络所具有 的对非线性的逼近能力，来模拟实际系统输入输出关系，而且，利用神经 网络的自学习，自适应能力，可以方便地给出工程上易于实现的学习算法， 经过训练得到板形控制动态系统的正向和逆向模型。 1 3 研究意义 板形的实质为带钢内部残余应力的分布程度，作为带材的重要质量指 标之一，板形已越来越受到生产厂商与用户的重视，其好坏直接影响到带 材在市场的占有率【2 3 】。由于冷轧带钢不允许有明显浪形与瓢曲等板形缺陷 存在，因为板形不良将直接影响用户的使用。因此，在冷轧过程中，对板 形控制的要求越来越高，而板形控制系统只有将可靠的在线板形信息进行 合理的处理，才能发出正确的指令控制执行机构工作。这些在线的板形信 息，就要靠板形识别装置提供【冽。近来，板形模式识别与板形控制的发展 越来越受到国内外同行的广泛重视。 1 3 1 板形模式识别的研究意义 在板形闭环控制模型中，板形模式识别和控制策略优化是彼此相关的 两个重要环节。为了制定合理的控制策略，需通过对实测的一组板形应力 4 第1 章绪论 信号所反映的板形缺陷进行识别，判断带钢存在的板形缺陷类型，并以一 定的参数定量地提供给控制环节，这就是板形模式识别【l 町。 板形模式识别的目的就是为了准确确定目标板形和实测板形的偏差 量，只有检测到有效的板形信号，并且经过适当的模式识别，将其转变成 适合板形调控机构的几种基本模式的线性组合形式，控制系统才可以根据 这些基本模式来实施控制策略。因此，在板形的控制系统中，板形模式识 别技术是整个控制系统的关键环节，是板形理论研究的重要内容和板形控 制系统的重要组成部分，是整个控制系统的关键环节是施加相应的控制手 段的前提【1 9 】。 1 3 2 板形控制的研究意义 板形精度是冷扎带钢的一项主要的质量指标。随着对板形质量要求的 不断提高，板形控制已成为冷扎带钢生产的核心，板形控制根据目标板形 和实测板形的偏差确定执行机构的控制量，以期获得质量较高的板形，满 足市场的要求【2 0 1 。 目前，板形控制在国外发达国家也只是停留在简单回路控制水平，而 国内还有很大一部分处于手工操作的开环控制状态。板形控制系统是一个 复杂的控制系统，无法建立精确的数学模型，这是因为影响板形的因素较 多，而轧制过程的环境恶劣，带材板形又受到各种各样的干扰，这给板形 控制的研究带来了更大的困难。因此，迫切需要寻求一种更有效的板形控 制方法【2 1 也5 1 。 1 4 板形智能方法的研究现状 近来，人工智能的方法被广泛的应用到板形模式识别与板形控制系统 中，它以无模型为特征，以知识信息为基础进行学习和推理，用启发方法 引导求解，是含有复杂性，不确定性和模糊性且一般不存在已知算法的非 传统方法。为板形研究领域提出了一种全新的思路，并取得了较大的进展。 本文分别从板形模式识别与板形控制两方面阐述人工智能方法在板形研究 燕山大学工学硕士学位论文 领域的现状。 1 4 1 板形模式识别的智能方法研究现状 随着板形识别和控制精度要求的提高，提出了板形模式识别的模糊分 类方法【2 5 】和各种神经网络板形模式识别方法，模糊识别方法基于模糊距离 原理，模型简单实用，但算法中没有评价性能的准则1 2 “，识别精度仍然不 能满足生产要求。板形识别问题的实质为判断输入样本与预先定义的板形 模式的基本模式的隶属度问题，这正是神经网络非常擅长的非线性映射估 计问题，且神经网络对实测信号具有一定的容错能力，运算速度较快，识 别能力和精度均较高，因此，将神经网络应用到板形模式识别系统中是一 种有效的选择。但是，传统的神经网络方法选用检测到的板形应力作为神 经网络的输入，输入节点的个数与所检测带材的宽度有关，且非线性运算 关系复杂，板形识别精度有限。由文献 2 7 1 可知，基于模糊距离的板形模 式识别方法，实现了网络结构的固定化，但由于选用神经网络自身的局限 性，仍存在着网络结构难以确定，易导致过学习，易收敛于局部最优解等 问题。近来，人们提出应用遗传算法1 2 8 1 等方法优化神经网络，从而进行模 式识别的方法i 2 ，虽然可以达到很好的精度，但获得较优网络识别模型 的过程相对复杂。 1 4 2 板形控制的智能方法研究现状 板形控制技术是高精度板带轧机的关键技术，随着控制理论的发展。 人们不断把一些新型控制方法引入板形自动控制系统中，以弥补p i d 控制 中很难满足高精度控制要求的不足【3 1 ”。例如由文献【3 8 】可知，提出了板 形的自适应控制方法，由文献 3 9 ，4 0 1n 7 知，板形的模糊控制技术得到广泛 的应用，由文献 4 1 - 4 3 1p 可知神经网络在板形控制中的应用。 传统的板形控制方法共同的思想是在控制调节量之前，首先对板形偏 差做模式识别，一般用最小二乘拟和算法将板形偏差拟和为不完全多项式 或车比雪夫多项式形式，由于多项式不能满足板形残余应力自平衡的约束 条件，所以拟和的结果和板形的实际分布有很大的差别，缺乏严密的理论 6 第1 章绪论 依据1 4 l j 。 由文献【4 4 可知，基于效应函数的控制策略，将最小二乘拟和算法直 接用于板形调节量的计算，考虑到任何一种调节量的变化对各种板形缺陷 都有影响。消除了板形偏差，但效应函数的建立比较困难。 由文献【4 5 】可知，所提出的影响矩阵的方法简便易行，使各板形的调 节能力得到了全面的利用和充分发挥，然而，该方法认为在对板形质量要 求不高的场合，影响矩阵可以事先离线确定，且同规格带材的影响矩阵 是不随轧制参数和轧辊参数的变化而变化，但是，实际生产中调节量对板 形的影响程度并不是一成不变的，静态的影响矩阵必然将影响板形控制的 准确性。 i 5 本文主要研究内容 本文对板形模式识别与控制的智能方法研究的主要工作包括如下。 第一，建立新的板形模式识别智能模型，为了解决传统神经网络板形 模式识别方法仍存在的网络结构难以确定，学习时间长，易陷入局部极小 值等问题，基于s v m 与r b f 网络的等价性，构造基于s v m 的r b f 网 络板形模式识别模型。 第二，由于板形模式识别中各个因素非线性关系复杂，神经网络的识 别精度受到影响，为了提高板形模式识别的精度更好的反映体现板形模式 识别的本质，对基于模糊距离的差的输入方法进行研究，提出改进的基于 s v m 的r b f 网络板形模式识别方法。 第三，考虑到轧制过程具有多变量，强耦合，非线性，时变性的特点， 给板形机理模型的研究带来了极大的困难，本文提出了板形控制的动态矩 阵方法并构造了s v m r b f 网络板形控制预测模型，提出板形控制的动态 矩阵方法。 最后，设计仿真实验方案，对本文所提出的板形模式识别与控制方法 进行实验验证，以及对所提出的板形模式识别与板形控制方法与以往的方 法进行仿真实验比较，并且对仿真结果进行分析，验证所提出的新的智能 7 燕山大学工学硕士学位论文 方法的有效性。 1 6 本文组织结构 本论文总体上分为五章，第1 章主要介绍了板形理论相关的基本知识， 从第2 章开始具体布局如下。 第2 章是基于s v m 的r b f 网络的板形模式识别方法的研究。利用 s v m 与r b f 网络的等价性，采用s v m 回归学习优化r b f 网络，建立了 基于s v m 的r b f 网络板形模式识别模型。 第3 章提出了一种改进的基于s v m 的r b f 网络板形模式识别方法。 利用板形标准模式的两两互反特性，将待识别样本与一对互反的基本模式 之间的模糊距离作为识别模型的输入，并用对此板形模式方法的算法进行 了描述。 第4 章是板形控制的动态矩阵智能方法研究。考虑到原有板形智能控 制方法的局限性，基于生产的实时特性，提出了板形智能控制的动态控制 矩阵方法，构造了s v m r b f 网络的板形控制预测模型，同时对构造板形 控制动态矩阵的算法以及实现过程作了描述和分析。 第5 章是对本文提出的板形模式识别模型和控制模型进行仿真实验验 证及分析。本章阐述了基于s v m 的r b f 网络板形模式识别模型结构，改 进的基于s v m 的r b f 网络板形模式识别方法以及板形智能控制的动态控 制矩阵方法的方案设计，而且对所提出的模型与方法进行了实验验证和结 果分析，验证了他们各自的有效性。 最后是本文的结论，并对下一步的研究工作进行了展望。 第2 章基于s v m 的r b f 网络板形模式识别模型的研究 第2 章基于s v m 的r b f 网络板形模式识别 2 1引言 模型的研究 由于神经网络的板形模式识别模型对板形应力信号具有一定的容错能 力，网络识别模型简单、智能，因此，得到了广泛的应用。但是传统神经 网络板形模式识别模型存在着网络结构难以确定，收敛速度慢，易陷入局 部极小值等结构性能不佳的问题，基于s v m 与三层前向网络的等价性， 提出了基于s v m l 4 8 1 回归的r b f 网络 4 9 5 2 1 板形模式识别模型。采用序贯 最小优化( s e q u e n t i a lm i n i m u mo p t i m i z a t i o n ，s m o ) 算法来训练s v m ，得到 r b f 网络较优的初始结构和参数，随后应用b p 算法优化调整。 2 2 神经网络板形模式识别模型的分析 人工神经网络引入模式识别领域，使之发生巨大变化，解决了传统板 形模式识别，模糊逻辑模式识别方法存在的问题。板形模式识别问题的实 质为判断待输入样本与预先定义的板形基本模式的隶属度问题，神经网络 非常擅长这种非线性映射估计问题，且神经网络对实测信号具有一定的容 错能力，运算速度较快，识别能力和精度均较高，板形模式识别要求模式 识别过程采用有导师的学习算法，训练和工作可分离，且工作过程尽量要 快，人工神经网络模式识别方法对此非常合适。 2 2 1 神经网络板形模式识别模型概述 基于神经网络的板形模式识别模型克服了传统板形模式识别方法抗干 扰能力差等缺点，实现了板形模式识别的智能化，提高了板形识别精度和 9 燕山大学工学硕士学位论文 速度。但是，由于早期的神经网络板形模式识别模型中，网络的输出仅仅 能反映待识别板形偏差信号的板形基本模式类型，而不能定量的反映每种 板形基本模式的实际数值即隶属度问题，无法为板形控制提供可靠数据。 由文献 2 5 】可知，所提出的基于模糊距离的板形识别模型明确了输入 输出非线性关系，物理意义明确，识别精度提高，实现了网络结构的固定 化，但由于选用神经网络自身的局限性，仍存在着网络初始参数难以确定， 易导致过学习等问题。 由文献 2 6 ，2 7 1 可知，基于r b f ，b p 等神经网络的传统的神经网络板 形模式识别模型选用检测到的板形应力作为神经网络的输入，输入节点的 个数与所检测带材的宽度有关，且非线性运算关系复杂，且来自生产中的 干扰因素较多，板形识别精度有限。 由文献 3 0 】可知，选用a r t 网络，采用了具有正反馈和非线性变换的 结构，有效地抑制了板形检测数据中的噪声干扰，大大地提高了板形识别 模型的抗干扰能力，但仍存在选用的基本模式多项式不满足板形应力自相 平衡的条件，失去了板形模式识别的实际意义等问题。 由文献 3 1 ，3 2 可知，提出的基于小波和神经网络的板形模式识别模 型，虽然对除燥以及抑制板形检测中的燥声干扰具有一定的效果，但也不 能达到提高板形的识别精度和速度的目的。 由文献 3 3 1 可知，提出的变结构神经网络，选用b p 网络，应用部分隐 含层节点结构，可以解决生产中变结构的问题，但仍不能从本质上解决问 题，不能有效提高板形模式识别的精度和速度。 首先应用遗传算法等方法优化神经网络，然后进行板形模式识别的思 想，虽然能够达到很好的识别精度，但是获得较优化的网络识别模型的过 程相对复杂。 2 2 2 神经网络板形模式识别模型存在的问题 神经网络是自动控制领域的前沿科学之一，具有良好的非线性映射能 力，自学习适应能力和并行信息处理能力，在很多方面得到了广泛的应用， 将神经网络用于板形模式识别是一种比较有效的选择，但是目前将神经网 1 0 第2 章基于s v m 的r b f 网络板形模式识别模型的研究 络用于模式识别的方法仍面临着五大问题。 第一，难以确定神经网络优化的拓扑结构，例如，难以确定前向神经 网络的隐含层神经元的节点数。 第二，网络学习时间太长，令人难以忍受。 第三，传统的梯度法，或基于损失函数优化方法在有随机扰动下不能 达到最佳效果，常常收敛于局部最优解。 第四，由于所选用的神经网络自身的限制，如初始参数的确定常根据 操作人员的经验，而缺乏理论依据，网络的逼近精度有限，致使板形模式 识别模型的识别精度有限。 第五，传统网络优化的方法虽然可以获得结构和性能相对优化的板形 模式识别模型，但是网络的优化的过程相对复杂。 2 3基于s v m 的r b f 网络结构模型的构造 r b f 网络是一种局部逼近网络，由于其具有自优化特性，且是局部逼 近神经元网络，对每个训练样本，只需对少量的权值和阈值进行修正，训 练方法快速易行，具有良好的泛化能力和最佳的逼近性能，被成功用于模 式识别，板形控制等领域。并且，基于统计学理论的s v m 的学习训练为 二次规划过程，学习效率高，全局最优，使用r b f 核的s v m 由于有效结 合二者的优点，被广泛应用于模式识别中。 r b f 网络的学习算法包括两部分：一是网络隐含层传递函数径向基函 数的中心和宽度的确定，二是隐含层到输出层的权值的确定。由于r b f 网 络学习的关键在于中心的数量和位置的确定，中心的好坏直接影响到网络 的泛化特性。利用s v m 与r b f 网络结构的等价性，经s v m 回归训练确 定r b f 网络的初始参数和结构，进而确定r b f 网络模型的方法可以有效 的将二者结合。构造一个优化的基于s v m 的r b f 网络模型。 2 3 1s v m 与r b f 网络结构等价性 由文献 5 3 5 5 可知，基于核函数的s v m 与三层前向神经网络的等价 整坐查堂三兰堡主兰堡笙苎 性得以证明，在函数逼近时二者可以互相转化。r b f 网络为典型三层前向 网络，其结构如图2 - l 所示，采用径向基函数将输入矢量进行非线性映射， 网络输出为隐含层单元输出的线性加权和，r b f 网络输出如式( 2 1 ) 所示： f ( x 。) = 窆坼九嘞) = 窆e x p ( - 坚 掣) ( 2 - 1 ) 女5 1 k=l上o 式中，以为隐含层节点的数目：w 。( k = l ，2 ，玎) 为隐含层节点与输出层节 点之间的权值；劫为第d 个输入向量；吼( = i ，2 ，糟) 是第k 个基函数的 中心，与勤具有相同维数的向量；盯。决定了该基函数围绕中心点的宽 度：l i 一气| | 是向量一吒的范数，它通常表示x 与以之间的距离。 s v m 可用图2 - 2 所示的网络结构表示，若s v m 学习采用径向基核函 数，回归形式的s v m 为隐含层节点的线性组合，则s v m 的输出如公式( 2 2 1 所示： f ( x a ) = 喜w ，k ( x d ，x t ) + 6 = ；w le x p ( 一譬) + b 任2 ) 2 ，) + 6 = 艺w l 一譬) +( 2 2 ) l = j ，o l u 式中，c ，( f = 1 ，2 ，g ) 为支持向量；g 为支持向量的数目，亦为s v m 隐含 层节点数目；妇为第d 个输入向量；嵋( f = 1 ，2 ，曲则为第i 个隐含层节 点与输出层节点之间的权值；b 为偏置。 襄田势 图2 - 1r b f 网络结构 k ( x , x - ) 图2 - 2s v m 的结构 f i g 2 - 1s t r u c t u r eo f r b fn e t w o r k f i g 2 - 2s t r u c t u r eo f s v m 由图2 - 1 与图2 - 2 比较可知，虽然r b f 网络与s v m 构造径向基的核 空间的原理不同。然而，径向基函数的中心，宽度等网络参数一一对应， 网络输出都是隐含层节点输出的线性加权和。 因此，基于二者结构等价性，可以应用基于统计学原理，全局最优的 1 2 第2 章基于s v m 的r b f 网络板形模式识别模型的研究 s v m 回归所得到的特征参数来确定r b f 网络较优的初始参数，如支持向 量确定径向基函数的中心，s v m 的权值确定r b f 网络的权值。 2 3 2r b f 网络的中心及权值的确定 r b f 网络中心的选择对于板形模式识别中函数逼近问题至关重要，以 往的中心选择算法网络训练误差大，对样本依赖性强，网络泛化特性不理 剁5 1 1 。可以基于s v m 与r b f 结构等价性，训练s v m 所获得的支持向量 的中心参数作为r b f 网络基函数的中心。 本文采用s m o 算法训练s v m ，确定r b f 神经网络较优化的初始参数。 将s v m 回归的学习过程转化为一个化为线性约束下的二次规划问题。给 定样本d = l ，y 1 ) ，( x 2 ，此) ，( 如) ，x f e r d ，弘r ，s v m 回归的目的就 是找到合适的参数，即支持向量，权值w 以及偏置常数b ，使得回归输出 其x ，) = ，g ( x ，x i ) + b 与样本输出y i 的误差最小，并且满足结构风险最 小化原则，如式( 2 3 ) 所示： 占m m i n r ( x ，w ) = i 1 f f ( y i f ( x i ，1 ，) ) + 芎 ( 2 - 3 ) 约束条件0 卅i 2 2 ，( f = 1 ，2 ，以) ( 3 3 ) ，1 1 ( f ) 为第f 个变元的权值，样本e 是否属于k 的类别是模糊的。 可以定义一个函数最( 埘) 来表示待识别样本与基本样本之间的这种模 糊程度，如式( 3 4 ) 所示： 燕山大学工学硕士学位论文 最( 加) = 卫生 ( 3 4 ) e ”( m ) 最( 珊) 表示待识别板形属于第m 类基本模式板形的程度，e ”( 聊) 为加权欧 氏距离的差，如式( 3 5 ) 所示： e ”c 所，= d w k + l - - d w ：暑：i 暑： c ，一s ， 模糊的识别方法认为：板形待识别样本与基本模式间的隶属关系可以 通过模糊距离来衡量，提高了板形识别的抗干扰能力，但算法中没有评价 性能的准则，板形模式识别的精度受到影响。由于待识别的板形数据可能 是几种板形基本模式的组合，因此不能采用择近原则判断其归属某类标 准模式。又因为在计算各种板形缺陷的隶属度时，采用的加权系数并不相 同，因此也不能用隶属度直接识别板形模式。 本质上说，应用模糊方法求解隶属度的过程仍是一个非线性映射的过 程，这也是神经网络非常擅长的工作，利用神经网络所具有的对任意非线 性的逼近能力，来模拟实际系统的输入输出关系，而利用神经网络的自学 习，自适应能力，可以方便的给出工程上易于实现的学习算法，因此将模 糊识别的方法与神经网络结合，不但结合了模糊方法的优点，而且可以解 决模糊识别方法没有评价准则等难以解决的问题，神经网络训练快捷准确， 具有很好的预测性与智能性。 由此可见，模糊的方法与神经网络结合的方法可以将板形模式识别的 问题由从前的板形应力映射问题，即一组离散板形应力值作为一个特别样 本y 取判别于预先定义的”种板形基本模式构成的标准样本的隶属度，转 化为模糊距离的映射问题，即把板形应力信号曲线与基本模式的模糊距离 作为一个特别样本判别于预先定义的：种板形基本模式构成的标准样本的 隶属度。 3 3 2 基于模糊距离差的板形模式识别方法 神经网络具有泛化性，一定的容错性，因此应用神经网络可以对任何非 2 6 第3 章基于模糊距离差的板形模式识别方法 线性关系进行逼近，由于加权模糊距离可以反映待识别样本与基本模式的 隶属程度，可以进一步将模糊距离作为神经网络的输入，隶属度作为神经 网络的输出来衡量待识别样本与板形基本模式的关系。 设归一处理后的待识别样本为e = ( z ， ，) ，第k 个基本模式 为k = ( 乃，y 2 ，y 。) ( 扣1 ，2 ，- o9 月) ，九为被带钢覆盖的测量段的数量，待 识别样本e 与基本模式k 间的欧氏距离为d k ( k = l ，2 ，竹) ，待识别板形属 于第t 类基本模式板形的程度的表示如下： b ( m ) = 盟( 3 - 6 ) e ( 七) e ( _ j ) 表示如式( 3 - 7 ) 所示： ec m ，2 d t + l - d k ：麓瓮： p ， 式中，n 为待识别样本与基本模式之间的欧氏距离。由图2 3 及基本模式 方程分析可知，由于板形基本模式的方程具有两两互反的形式， y k ( y ，) = - r , + ( y ，) ，则待识别样本与基本模式间的隶属度可以进一步定义为 如式( 3 8 ) 所示： t t = 百l ，( 七= 1 ，3 ，2 n - 1 ) ( 3 - 8 ) 0 式中，e 。为待识别样本与一对互反的基本模式之间的欧氏距离的差，如( 3 9 ) 所示： 吼2 仇+ 1 一仇，( | j 2 l ，3 ，2 n 1 )( 3 9 ) 式中，b ，仇。分别为待识别样本与两个互反的基本模式的欧氏距离，由 上式( 3 7 ) ，式( 3 8 ) 分析可知，由于识别出的模式中互反的两种模式不能同 时存在，分别求出待识别样本与两个互反的基本模式的欧氏距离并作差， 所得的结果e 。( k = l ，3 ，o ol t2 n 一1 ) 就可以反映待识别样本与基本模式之间的 相似程度，基于欧氏距离的差的板形模式神经网络识别模型的结构如图3 3 所示，将输入样本与一对互反的基本模式间的模糊距离之差，作为r b f 网 垄坐盔堂三兰堡主兰些笙苎 络的三对输入。所要求的待识别样本与三对互反的基本模式的隶属度作为 模型的三个输出。 l 【( x x 0 k ( ) 【x d m 山 i - q 图3 - 3 基于欧氏距离的差的板形模式识别模型 f i g 3 - 3f l a t n e s sp a t t e r nr e c o g n i t i o nm o d e lb a s e do nd e d u c t i o no f f u z z yd i s t a n c ei n p u t 将欧氏距离的差作为r b f 网络的输入，可以将神经网络的输入节点相 对于基于模糊距离输入方式的输入节点数减半，神经网络的输入与输出因 素间的非线性关系更简单，提高了识别精度，进一步实现了网络结构的固 定化和简单化。该方法可以提高板形识别精度和速度，可推广到其他基本 模式具有两两互反性的模式识别系统中。板形调控手段越多，板形基本模 式种类的越多，基于模糊距离差的板形输入方法会进一步显示其优越性。 3 4 基于模糊距离差的板形模式识别模型的建立与优化 基于板形基本模式的两两互反特性，采用能够反映板形模式识别本质 的勒让德正交多项式系【6 】表示现阶段常见的板形识别信号基本模式。构造 基于s v m 的r b f 网络板形模式识别模型的重点为以下两部分： 第一，对板形内部应力信号进行归一化处理，转化为待识别样本与一 对互反的基本模式间的模糊距离之差的形式。 第二，r b f 网络的建立与优化。分别从r b f 网络输入层，输出层以 及隐含层三部分对建立基于s v m 的r b f 网络的板形模式识别模型的方法 进行阐述。 第3 章基于模糊距离差的板形模式识别方法