基于svM的改进RBF网络板形模式识别方法.do

《基于svM的改进RBF网络板形模式识别方法.do》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、基于SVM的改进RBF网络板形模式识别方法何海涛，等基于svM的改进RBF网络板形模式识别方法ThelmProvedRBFNetworkAPProachtoFlatnessPatternRecognitionBSSedonSVM何海满李杨(燕山大学信息工程学院，秦皇岛066(X抖)摘要:为了提高带钢生产中板形模式识别精度，提出了基于支持向量机(svM)的改进径向基(RBF)网络板形模式识别方法，由SVM回归确定RBF网络优化的初始参数，解决了传统方法存在的学习时间长、易陷人局部极小值等问题。此外，分别将输人样本与一对互反

2、的基本模式间的模糊距离之差作为RBF网络的三个输人，使输入节点减少一半，进一步简化了网络模型。实验表明，该方法有效地提高了模式识别精度和速度，可推广到其他具有两两互反性基本模式的模式识别系统中。关键词:板形模式识别RBF网络支持向量机模糊中图分类号:TH12文献标志码:AA加tract:Inordertoimpovetheaccuracyofflatnes，patternrecognitionintapesteelproduction，animProvedradialbasisfunction(RBF)networkap

3、proachbasedonsupportvectormachines(SVM)1，proposedTheoptimalinitialparametersofRBFnetworkweregainedthroughSVMre脚ssion，whichhadresolvedthep功blemsintraditionalmethod，e.9.longleamingtime，andeasyilygeningintolocalminimum，etclnaddition，thedifferencesoffuzzydistancesbet

4、weeninputsampleandapairOfreciprocalPattemswereusedasthreeoftheinputofRBFnetwork，thusthenumberofnodeshadbeencutdowninhalfandthemodelofnetworkwassimplified.Theexperimentsshowthatthisapnroachenhancestheaccuracyofspeedofreco即ition，anditcanalsobeusedinotherreco叨itions

5、ystemsfieldswithreciprocalbasicPatterns·Keywords:Flatnesspattemreco邵itionRBFnetwl〕rksup卯rtvectormachine(SVM)Fuzzy度有关，且非线性运算关系复杂，板形识别精度有0引言限。文献「4〕提出了基于模糊距离的板形识别方法，板形模式识别是板形理论的重要组成部分，其实现了网络结构的固定化，但由于选用的神经网络识别方法总是和控制手段相一致，由于早期轧机控自身具有局限性，仍存在着网络结构难以确定、易导制手段有限，只能纠正简单板形

6、缺陷，基于多项式最致过学习、易收敛于局部最优解等问题[vj。近年来，小二乘回归法川是其中一种简单有效的方法。随着提出应用遗传算法等方法优化神经网络，从而进行板形识别和控制精度要求的提高，提出了板形模式板形模式识别的思想[6一8」，此类方法虽然可以达到很识别的模糊分类方法〔2」和神经网络板形模式识别方好的精度，但获得网络识别模型的过程相对复杂。法〔’口，模糊识别方法基于模糊距离原理，模型简单实对svM与三层前向网络结构的等价性[0]在板形用，但算法中没有评价性能的准则[’]。由于板形是模式识别中的应用进行了研究，采用序贯最

7、小优化算指板材内部残余应力沿板宽方向的分布川，板形模法(SMO)来训练SvM以确定RBF网络较优的初始参式识别的任务就是把在线检测到的一组张力分布离数〔‘“〕，且基于基本模式的两两互反性，将模糊距离的散值，经过一定的数学方法，映射为较少的几个特征差作为RBF网络的输人，使输人节点减少一半，板形参数，而这是神经网络非常擅长的非线性映射问题，识别意义更明确，相对提高了网络的逼近精度，进一步所以神经网络板形识别方法的精度较高。但是，传实现了板宽变化时网络的输人固定化和神经网络模型统的神经网络方法[6]选用检测到的板形应力作为神

8、的简单化。该方法结合了RBF网络[川训练速度快捷，经网络的输人，输人节点的个数与所检测带材的宽具有良好的泛化能力和最佳的逼近性能的特点，以及河北省教育厅自然科学指导性计划基金项目(编号:221洲)5309)。SvM学习泛化能力强、全局最优等优点，兼顾了板形修改稿收到日期:2仪沁一10一21。模式识别的精度和速度，是一