基于粗糙集的CMAC神經(jīng)網(wǎng)絡(luò)板形控制模型的研究.pdf

1、現(xiàn)代工業(yè)飛速發(fā)展，板形控制日益成為鋼鐵企業(yè)面臨的重要課題。板形控制系統(tǒng)具有多變量、非線(xiàn)性、強(qiáng)耦合和純滯后的特點(diǎn)，使用傳統(tǒng)的控制方法很難得到較好的控制效果。近年來(lái)，人工智能方法在板形控制領(lǐng)域得到了迅猛發(fā)展，其中以粗糙集理論為基礎(chǔ)的控制技術(shù)越來(lái)越受到研究學(xué)者們的重視。把神經(jīng)網(wǎng)絡(luò)與粗糙集結(jié)合起來(lái)，可有效地發(fā)揮各自的優(yōu)勢(shì)并彌補(bǔ)其不足。本文以人工智能理論為基礎(chǔ)，對(duì)板形控制的智能方法進(jìn)行了研究。
　　首先，分析了現(xiàn)階段神經(jīng)網(wǎng)絡(luò)控制器的方法以及

2、存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的缺點(diǎn)，基于 CMAC網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，學(xué)習(xí)速度快，具有一定的泛化性等特點(diǎn)，具有較好地學(xué)習(xí)多維非線(xiàn)性映射的能力，建立了CMAC神經(jīng)網(wǎng)絡(luò)控制器模型。
　　其次，針對(duì)CMAC網(wǎng)絡(luò)的學(xué)習(xí)算法中采用固定的學(xué)習(xí)率，使得網(wǎng)絡(luò)通過(guò)學(xué)習(xí)達(dá)不到最優(yōu)解的問(wèn)題，將動(dòng)態(tài)學(xué)習(xí)率引入到 CMAC板形控制模型中，使得控制模型在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中不斷調(diào)整網(wǎng)絡(luò)權(quán)值，提高了板形控制的精度。
　　再次，針對(duì)CMAC網(wǎng)絡(luò)的隱節(jié)點(diǎn)個(gè)數(shù)和網(wǎng)絡(luò)的初始權(quán)閾值是隨機(jī)