刘晓东
,
曹光明
材料与冶金学报
doi:10.3969/j.issn.1671-6620.2009.02.014
在双辊铸轧过程中,铸轧力的控制是铸轧过程稳定进行和提高薄带质量的关键.为了控制铸轧力,必须建立铸轧力计算数学模型,本文采用了一种基于贝叶斯方法的前向神经网络训练算法以提高网络的泛化能力,在网络的目标函数中引入了表示网络结构复杂性的惩罚项,融入"奥克姆剪刀"理论,避免了网络训练的过拟合.将上述网络应用于铸轧过程的铸轧力计算,具有很高的计算精度,同时在收敛速度、稳定性和泛化能力方面都优于传统的BP神经网络.
关键词:
贝叶斯方法
,
神经网络
,
双辊铸轧
,
"奥克姆剪刀"理论
梁勋国
,
贾涛
,
矫志杰
,
王国栋
,
刘相华
钢铁研究学报
采用了一种基于贝叶斯方法的前向神经网络训练算法以提高网络的泛化能力,并在网络的目标函数中引入了表示网络结构复杂性的惩罚项,避免了网络的过拟合.采用Levenberg-Marquardt算法训练网络,并使用Gauss-Newton的数值方法来近似求解Hessian矩阵,以减少计算量,从而提高了网络的收敛速度.将上述网络应用于冷轧过程的轧制力预报中,预报结果的精度远远高于解析模型,与基于传统BP神经网络的冷轧轧制力预报模型相比,在收敛的速度和预报的精度上均优于后者.
关键词:
贝叶斯方法
,
神经网络
,
冷轧
