神经网络应用于系统建模时要考虑两个关键问题:一是采用的神经网络类型;二是当神经网络类型确定以后,确定网络的输入向量,这两个问题是紧密关联的.相对于BP神经网络收敛太慢,具有泛化能力的缺点,DRNN网络(对角递归神经网络)能实现动态非线性映射,具有记忆功能,可以追踪模型的变化,具有更好的预测效果.首先用关联规则方法挖掘出一些与质量指标有关的工艺条件,再结合现场工人的实际经验,找到模型的输入输出,再运用DRNN对82B钢进行建模和优化,取得了很好的预测效果.
参考文献
| [1] | Magoulas G D;Vrahatis M N;Anderoulakis G S .Effective Back-Propagation Training With Variable Step Size[J].NEURAL NETWORKS,1997,10(01):69-82. |
| [2] | YU Xiao-hu;CHEN Guo-an .Efficient Back-Propagation Learning Using Optimal Learning Rate and Momentum[J].NEURAL NETWORKS,1997,10(03):517-527. |
| [3] | Ku C C;Lee K Y .Diagonal Recurrent Neural Networks for Dynamics System Control[J].IEEE Transactions on Neural Networks,1993,6(01):144-156. |
| [4] | 赵英凯,蔡宁,熊辉.基于DRNN及其相应算法的非线性系统的状态预估[J].控制与决策,2000(01):67-70. |
| [5] | 李芳;朱群雄 .关联规则挖掘在苯酐生产中的应用[J].华东理工大学学报,2002,28(09):88-90. |
| [6] | 冯贺滨,李连诗,刘明哲,褚建东,李克敏.基于人工神经网络的高碳钢高速线材控冷工艺参数优化[J].钢铁,2000(06):37-40. |
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%