典型文献
基于DBN-BP深度算法的热轧板带横断面预测
文献摘要：
随着各工业领域的快速发展,市场对薄规格、高强度板带产品的需求快速增加.而热轧板带横断面形状是热轧板带产品质量的主要评价指标.基于数据挖掘技术,对轧机数据库中的数据进行分析与处理,其中数据挖掘技术采用深度置信网络(Deep Belief Neural,DBN)和BP(Back Propagation)算法相结合,构建板带横向厚度分布的预测模型.DBN-BP算法由多个限制玻尔兹曼网络(Restricted Botlzmann Machine,RBM)逐层堆叠而成,并使用无监督的逐层训练的方式得到网络的权值矩阵和偏置供BP算法使用,而BP算法通过误差反向传播的方式对整个网络进行微调.该方法克服了BP算法因随机初始化权值参数而陷入局部最优和训练时间长的缺点.通过与BP算法相比较可知,采用DBN-BP方法预测终轧道次稳定轧制时板带中点厚度误差在±5.6 μm范围内的概率可达95％;而BP算法的预测误差范围为±11μm.并且通过对板带横断面形状的预测结果分析可知,相比于BP算法,DBN-BP深度学习方法对于板带边部厚度的预测更具有优势.
文献关键词：
热轧;深度学习;板带厚度预测
中图分类号：
作者姓名：
高山凤;刘美红;范秋霞
作者机构：
山西大学 自动化与软件学院,山西 太原030006
文献出处：
引用格式：
[1]高山凤;刘美红;范秋霞-.基于DBN-BP深度算法的热轧板带横断面预测)[J].电子技术应用,2022(11):46-50,56
A类：
Botlzmann,板带厚度预测
B类：
DBN,热轧板带,横断面,工业领域,薄规格,求快,断面形状,数据挖掘技术,轧机,分析与处理,技术采用,深度置信网络,Deep,Belief,Neural,Back,Propagation,厚度分布,玻尔兹曼,Restricted,Machine,RBM,逐层,堆叠,无监督,矩阵和,偏置,误差反向传播,微调,法因,初始化,权值参数,局部最优,训练时间,道次,轧制,中点,预测误差,误差范围,深度学习方法
AB值：
0.350611
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。
