10.3969/j.issn.1000-7059.2020.02.005
基于DBN-LSSVM的热连轧带钢厚度预测
为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数.通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真.结果 表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景.
热连轧、厚度预测、深度置信网络、最小二乘支持向量机、粒子群优化算法、深度学习
44
国家重点研发计划资助项目2017YFB0304200
2020-05-19(万方平台首次上网日期,不代表论文的发表时间)
共6页
17-22