基于徑向基網(wǎng)絡和支持向量機算法的板形缺陷識別的研究.pdf

1、鋼材是國民經(jīng)濟發(fā)展中必不可少的物質基礎，帶鋼作為主要的鋼產(chǎn)品，已成為電氣、汽車、民用等行業(yè)廣泛使用的原材料。冷軋帶鋼在連續(xù)生產(chǎn)過程中，會出現(xiàn)各種各樣的板形缺陷，影響后續(xù)軋制和帶鋼質量。因此，如何通過板形檢測數(shù)據(jù)和模式識別方法，得到帶鋼板形缺陷類型和特征參數(shù)，提高板形識別的速度和精度，使后續(xù)軋制出的板形滿足用戶對帶鋼平直度的要求，是一個十分關鍵的問題。
　　本文主要對板形缺陷模式識別進行研究，通過模型識別出的板形特征參數(shù)，分析板形缺

2、陷識別方法的優(yōu)缺點，并在此基礎上提出板形缺陷識別的新方法。
　　（1）針對傳統(tǒng)最小二乘法不能識別復雜板形，而BP神經(jīng)網(wǎng)絡識別法權值難以確定的問題，將 GA優(yōu)化后的 BP神經(jīng)網(wǎng)絡用于板形識別中。通過仿真分析，GA優(yōu)化的識別模型，識別精度高于BP網(wǎng)絡，但識別速度明顯變慢，不適用于在線板形識別。
　　（2）將K-均值RBF神經(jīng)網(wǎng)絡運用到板形缺陷識別中，通過K-均值聚類確定徑向基函數(shù)的中心Ci，方差σi。針對網(wǎng)絡輸入較多，擬合復雜性

3、增加的問題，采用加權歐式距離差將輸入量由20個減少到3個。經(jīng)過仿真實驗，將GA-BP、GA-RBF和K-RBF識別方法進行比較，結果表明K-均值聚類的RBF方法能夠準確識別出六種常見的板形缺陷類型，識別精度較高，速度最快。
　?。?）由于最小二乘支持向量機（LSSVM）在非線性、小樣本情況下模式識別效果較好，將LSSVM用在板形缺陷識別中。通過仿真表明LSS VM可以精確的識別出板形特征參數(shù)，五組樣本的識別誤差略低于K-RBF法，