62-基于matlab的elman神经 网络

《62-基于matlab的elman神经 网络》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第二届中国CAE工程分析技术年会基于MATLAB的Elman神经网络在中厚板轧机宽展预测中的应用1孟令启1,2张洛明2韩丽丽2马金亮2黄其柏1（1.华中科技大学机械工程学院武汉4300742．郑州大学机械工程学院郑州450052）摘要：根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力，提出了一种利用Elman神经网络建立中厚板轧机宽展预报模型的方法。通过实例比较Elman模型与BP模型的预测效果。结果表明，所建立Elman神经网络模型不仅收敛速度快，且预测精度高于BP网络模型。 关键词：MATLAB；Elman神经网络；中厚板；宽展 中图分类号：TF

2、3ApplicationofElmanNeuralNetworkandMATLAB toWidthofMediumPlateMillPredictionMenglingqi，ZhangLuoming，Hanlili,Majinliang，Huangqibai(1.SchoolofMechanicalEngineering，HuazhongUniversityofScienceandTechnology，Wuhan，4300742.SchoolofMechanicalEngineering,ZhengzhouUniversity,Zhengzhou,450052)Abstract：Ba

3、sedonthefactthattheElmanmodelofneuralnetworktool—boxinMATLABcanwellapproachany nonlinearcontinuousfunctionandhasabilitytoreflectdynamicfeaturesofthesystems，amethodofwidthto mediumplatemillpredictionbyElmanmodelispresented．ThroughthewidthpredictionbyElmanmodelandBP model，theresultsshowthatthecon

4、vergenceandaccuracyofpredictionbytheElmanmodelishigherthanthatby theBPnetworkmode1．KeyWords：MATLAB；Elmanneuralnetwork；mediumplatemill;widthvariable1引言近年来，人工神经网络技术在轧制过程中得到了广泛的应用。由于神经网络具有并行处理、 联想记忆、分布式知识存储、鲁棒性强等特点，尤其是它的自组织、自适应、自学习功能，从而在复杂非线性系统的分析和预测中得到了广泛应用。目前非线性系统辨识中普遍采用的是BP 网络，但BP网络是静态网络，它只是实现一

5、一对应的静态非线性映射关系，不适合动态系统的实时辨识。BP网络模型随系统阶次的增加，迅速扩大的网络结构使网络学习收敛速度减慢，并 造成网络输入节点过多、训练困难及对外部噪声敏感等弊病。相比之下，动态回归神经网络(RNN) 提供了一种极具潜力的选择，它能够更生动、更直接地反映系统的动态特性。Elman型回归神经网络是一种典型的动态神经元网络，它是在BP网络基本结构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力。在中 厚板轧机轧制过程中，宽度控制是保证板材质量的重要因素，要实现宽度的自动控制必须建立 精确的宽展数学模型，其模型预报的精度将直接影响着

6、轧制规程的制定、压下量的调整、轧机辊缝的设定以及对板形的控制[1]。中厚板轧机在线控制时,存在着各种现场因素的变化、坯料 中合金元素的偏差、轧制工艺参数的不稳定等实际情况,故传统宽展模型在预测宽展时往往误 差较大。可见宽展模型具有动态特性，所以采用Elman型神经网络对中厚板轧机的宽展预测进行建模和分析是合适的。2Elman神经网络结构及算法[1][3]1基金项目：国家自然科学基金资助项目编号：50175031Tel:13623863399;E-mail:mengqi6388@163.com 作者简介：孟令启（1962--）,男，副教授,主要从事计算机在轧钢控制工程领域应用的研究。

7、联系地址：河南省郑州市科学大道100号郑州大学工会徐湘玲转孟令启（Postcode:450001）347第二届中国CAE工程分析技术年会Elman型回归神经网络一般分为4层：输入层、中间层（隐含层）、承接层和输出层，其结 构如图1所示。其输入层、隐含层和输出层类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为 上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个