冶金过程中统计模式识别—神经网络优化程序的研制

摘要

该文采用统计模式识别的主成分分析法(PCA)、偏最小二乘法(PLS)、最优判别平面法(ODP)和共享K近邻法(SKNN)的算法为基础,结合BP神经网络技术,在MATLAB语言和环境下,针对钢铁冶金过程的特点研制和开发了钢铁冶金过程人工智能优化软件,并以实际生产热轧硅钢片牌号优化问题为研究对象,对所开发的软件进行了验证.研究工作的技术路线为:对采集样本数据进行预处理;利用统计模式识别方法进行分类图映射并给出定性优化方案;在分类理想的基础上,利用SKNN法求优类样本中心和差类样本中心并进行定量分析;再利用神经网络对优化方案进行预报和验证.

目录

文摘

英文文摘

声明及关于论文使用授权的说明

1绪论

1.1引言

1.2模式识别—人工神经网络概述

1.3模式识别—人工神经网络算法在冶金领域的发展与现状

1.4本文的主要研究内容、研究目标及技术路线

1.4.1本文的主要研究内容

1.4.2研究目标及技术路线

2分类模式识别—人工神经网络原理

2.1引言

2.2模式识别—人工神经网络技术工业调优步骤

2.2.1模式识别-人工神经网络工业调优的步骤

2.3模式识别方法

2.3.1主成分分析法(PCA)

2.3.2偏最小二乘法(PL)

2.3.3最优判别平面法(ODP)

2.4三种模式识别方法的比较

2.4.1 PCA与PLS的简单比较

2.4.2 ODP和PLS、PCA的对比

2.5共享最近邻法(SKNN)和近邻加权类中心

2.5.1共享最近邻(SKNN)法

2.5.2近邻加权类中心

2.6人工神经网络简介

2.6.1人工神经网络的发展

2.6.2人工神经网络建模

2.6.3 BP网络

2.6.4影响BP算法若干因素的讨论

3程序设计与算例验证

3.1引言

3.2 MATLAB简介

3.3本文开发的模式识别—人工神经网络数据处理软件

3.3.1软件的基本架构

3.3.2软件的数据结构

3.4数据处理模块设计及程序实现

3.4.1数据预处理

3.4.2分类映照图

3.4.3共享K近邻法求类中心

3.4.4人工神经网络预报模块

3.5所开发程序的验证

3.5.1热轧硅钢板生产概述

3.5.2模式空间变换做定性分析

3.5.3 SKNN法作定量分析

3.5.4神经网络预报验证

4结论

致 谢

参考文献

附录1原始数据

附录2主要程序清单