改进PSO算法协同神经网络预测带钢卷取温度
针对传统卷取温度模型的固有缺陷,采用一种自适应变异的粒子群优化算法训练神经网络,并将其与传统模型相结合预测带钢的卷取温度,解决了BP神经网络易陷入局部极值的问题.大量的在线数据运算表明,自适应变异的粒子群神经网络的收敛速度比BP神经网络要快,并且它与实测卷取温度的平均标准差比传统模型设定值与实测卷取温度的平均标准差降低了20.76%,比BP神经网络预报值与实测卷取温度的平均标准差降低了11.18%,具有良好的应用前景.
粒子群算法 卷取温度 神经网络 自适应变异
尚剑洪 丁敬国
鞍山钢铁集团公司生产协力中心,辽宁 鞍山 114003 东北大学轧制技术及连轧自动化国家重点实验室,辽宁 沈阳 110004
国际会议
上海
中文
982-985
2008-09-26(万方平台首次上网日期,不代表论文的发表时间)