典型文献
支持向量机与神经网络相结合的板带凸度预测
文献摘要：
为提高热轧生产过程中板带凸度的预测精度,提出了一种将粒子群优化算法(particle swarm optimiza-tion,PSO)、支持向量回归(support vector regression,SVR)和BP神经网络(back propagation neural network,BPNN)相结合的板带凸度预测模型.采用PSO算法优化SVR模型的参数,建立了PSO-SVR板带凸度预测模型,提出采用BPNN建立板带凸度偏差模型与PSO-SVR板带凸度模型相结合的方法对板带凸度进行预测.采用现场数据对模型的预测精度进行验证,并采用统计指标评价模型的综合性能.仿真结果表明,与PSO-SVR、SVR、BPNN和GA-SVR模型进行比较,PSO-SVR+BPNN模型具有较高的学习能力和泛化能力,并且比GA-SVR模型运算时间短.
文献关键词：
支持向量回归;神经网络;板带凸度;粒子群优化算法;热轧板带过程;机器学习;预测;大数据
中图分类号：
作者姓名：
刘明华;张强
作者机构：
西安建筑科技大学 冶金工程学院, 陕西 西安 710055
文献出处：
引用格式：
[1]刘明华;张强-.支持向量机与神经网络相结合的板带凸度预测)[J].智能系统学报,2022(03):506-514
A类：
板带凸度,SVR+BPNN,热轧板带过程
B类：
高热,热轧生产,中板,粒子群优化算法,particle,swarm,optimiza,PSO,支持向量回归,support,vector,regression,back,propagation,neural,network,算法优化,立板,偏差模型,现场数据,统计指标,指标评价模型,GA,泛化能力,运算时间
AB值：
0.215625
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
