CN116689503B 一种基于记忆性功能网络的带钢全长厚度预测方法 （东北大学）

一种基于记忆性功能网络的带钢全长厚度本发明的一种基于记忆性功能网络的带钢一次实时过程轧制数据和带钢出口厚度的实测训练得到点预测的GLSTM网络各层的连接权重和偏置；利用粒子群算法优化点预测的GLSTM网络权重Wopt；基于除去输出层之外的各层的连接权重和偏置以及Wopt，构建带钢厚度区间预测的网络的最佳参数；利用最优区间预测的GLSTM网2行训练，得到点预测的GLSTM网络各层的连接权重和偏置，所述用于带钢厚度点预测的步骤5：基于步骤3得到的除去输出层之外的各层的连接权重和偏置以及步骤4得到的述步骤2中根据下式对训练集和测试集的数据进行归3络学习率以及粒子群优化算法需要确定的参数，所述粒子群优化算法需要确定的参数包(1)覆盖概率PICP是区间预测的重要特征，表示目标值位于区间内的概率，其定义如4gg的预测区间，如果PICP没有达到预先指定的置信水平，则CWC将在这一项上进行指数性增5预测算法建立准确的带钢厚度预测模型为解决此类问题提供了新的方法[0003]神经网络具有很强的非线性处理能力，因此在过程控制中得到广泛的应用研6[0010]步骤5：基于步骤3得到的除去输出层之外的各层的连接权重和偏置以及步骤4得根据预测得到的带钢厚度的上、下限计算PICP、PINAW和CWC评价指标完成对区间预测的[0024]进一步的，所述步骤4中利用粒子群算法优化步骤3中点预测的GLSTM的输出层的7[0028]步骤4.4：对每个粒子将其当前gg8[0050](1)本发明首次提出了带钢全长度方向的厚度预测的概念，并根据带钢全长度厚进各层激活函数同时使遗忘门和输入门互补，并改进新信息向量为数据最新状态的GLSTM[0053](4)本发明在粒子群算法中提出寻优迭代终止条件为达到最大迭代次数或适应度情况下继续迭代寻优毫无意义，而本发明提出的适应度函数保持M次不变即认为找到最优[0054](5)本发明的基于记忆性功能网络的带钢全长厚度预测方法可以同时实现带钢厚[0063]具体实施时，每间隔相等时间在某工厂的PDA文件中采集一次所记录的随时间变9[0077]本发明的用于带钢厚度点预测的GLSTM网络在传统的LSTM网络的基础改进了遗忘LSTM涉及到的新信息向量gT改进为当前的数据状态。同时还将网络的单元状态cT与上一时[0078]由于Sigmoid激活函数存在梯度消失这一固有缺陷，所以本发明结合Relu类函数提出使用Isigmoid函数以缓解这一问题。Tanh激活函数是一种S形函数，也存在梯度消失[0084]步骤4.4：对每个粒子将其当前的值保持M次不变，当满足终止条件时则输出全局最佳位置，即最佳的输出层的连接权重[0091]步骤5：基于步骤3得到的除去输出层之外的各层的连接权重和偏置以及步骤4得盖的概率越大越好，很容易看出PICP的理想值为1，这时表示所有的目标都在预测的区间gg此，需要定义一个基于区间预测的综合成本函数，称为覆盖宽度的标准CWC(Coverage[0111]为了证明本发明提出的基于记忆性功能网络的带钢全长[0112]由图2可以看出四种记忆性网络点预测的平均绝对误差、均方根误差和平均绝对发明提出的GLSTM网络相比其他三种传统的记忆性网络RNN、LSTM、GRU预测的平均绝对误[0113]在区间预测时五种不同网络模型在数据集上的PICP、PINAW和CWC的对比如下图4所示。由图4可以看出相比ANN网络四种记忆性网络区间预测的综合评价指标明显要小很本发明所提出的GLSTM网络