支持向量机与神经网络相结合的板带凸度预测
为提高热轧生产过程中板带凸度的预测精度,提出了一种将粒子群优化算法(particle swarm optimiza-tion,PSO)、支持向量回归(support vector regression,SVR)和BP神经网络(back propagation neural network,BPNN)相结合的板带凸度预测模型.采用PSO算法优化SVR模型的参数,建立了PSO-SVR板带凸度预测模型,提出采用BPNN建立板带凸度偏差模型与PSO-SVR板带凸度模型相结合的方法对板带凸度进行预测.采用现场数据对模型的预测精度进行验证,并采用统计指标评价模型的综合性能.仿真结果表明,与PSO-SVR、SVR、BPNN和GA-SVR模型进行比较,PSO-SVR+BPNN模型具有较高的学习能力和泛化能力,并且比GA-SVR模型运算时间短.
支持向量回归、神经网络、板带凸度、粒子群优化算法、热轧板带过程、机器学习、预测、大数据
17
TP16(自动化基础理论)
2022-06-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
506-514