将Hough变换用于RBF神经网络的参数确定中,以自适应地确定RBF网络的隐层节点数和径向基函数的中心值,使得网络结构及参数得到优化,提高了RBF神经网络的收敛速度和泛化能力.将此改进的RBF神经网络应用于冷轧过程轧制力的预测中,试验结果表明经过优化设计的网络模型具有高的输出精度,使得轧制力预报这种受多种因素影响的复杂系统的输出预报问题得到了很好的解决.
参考文献
| [1] | 孙登月,杜凤山,朱泉封,周坚刚.五机架冷连轧机轧制力人工神经网络预报[J].钢铁,2002(02):28-30,34. |
| [2] | Jonathan Howell A;Hilary Buxton .Learning Identity with Radial Basis Function Networks[J].Neurocomputing,1998,20:15-34. |
| [3] | SteveA Billings;GuangL Zheng .Radial Basis Function Network Configuration Using Genetic Algorithms[J].Neural Networks,1995,86:877-890. |
| [4] | 朱明星,张德龙.RBF网络基函数中心选取算法的研究[J].安徽大学学报（自然科学版）,2000(01):72-78. |
| [5] | Joannou D;Huda W;Laine A F .Circle Recognition through a 2D Hough Transform and Radius Histograrnming[J].Image and Vision Computing,1999,17:15-26. |
| [6] | 王国栋;刘相华.金属轧制过程人工智能优化[M].北京:冶金工业出版社,2000:3. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%