小波神經(jīng)網(wǎng)絡(luò)理論的研究及其在加熱爐鋼坯溫度預報中的應(yīng)用.pdf

1、神經(jīng)網(wǎng)絡(luò)具有很強的非線性逼近能力及自學習、自適應(yīng)能力，有較強的容錯性，因而能夠很好地跟蹤捕獲對象受各種不確定因素影響而發(fā)生的變化及變化趨勢，能夠很好的反映復雜工業(yè)過程的內(nèi)部機理，是近年來研究和應(yīng)用較多的一種智能控制方法。但在實際應(yīng)用時，由于神經(jīng)網(wǎng)絡(luò)自身存在訓練時間長、收斂速度慢以及局部極小等問題而限制了其在實時控制中的應(yīng)用。為此，將小波分析理論引入神經(jīng)網(wǎng)絡(luò)，構(gòu)成小波神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)融合了小波分析良好的時頻局部化特性和神經(jīng)網(wǎng)絡(luò)的優(yōu)點

2、，較好的克服了以往神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的盲目性，具有較強的逼近能力、收斂速度快并且能有效避免局部極小值。本文選用的連續(xù)小波神經(jīng)網(wǎng)絡(luò)是將常規(guī)單隱含層神經(jīng)網(wǎng)絡(luò)中的Sigmoid函數(shù)用小波函數(shù)來代替，相應(yīng)的輸入層到隱含層的權(quán)值及隱含層閾值分別由小波函數(shù)的伸縮參數(shù)與平移參數(shù)代替，而輸出層為線性神經(jīng)元，它將隱含層的小波伸縮系線性疊加形成輸出。針對小波神經(jīng)網(wǎng)絡(luò)算法中存在的一些缺陷，本文對其做了大量的研究工作并提出了一些改進的措施，主要包括：(1)提出了

3、一種網(wǎng)絡(luò)參數(shù)初始值的選取方法；(2)提出了有關(guān)網(wǎng)絡(luò)隱含層節(jié)點數(shù)的確定方法；(3)小波神經(jīng)網(wǎng)絡(luò)的步長自調(diào)整學習算法等。 鋼坯加熱爐是熱軋鋼工業(yè)中用于鋼坯軋前加熱的重要設(shè)備。加熱爐中鋼坯溫度及其分布是衡量鋼坯加熱質(zhì)量以及實現(xiàn)加熱爐優(yōu)化控制的重要依據(jù)之一。因此，鋼坯溫度預報模型的研究已成為國際上一個重要的研究方向。由于加熱爐生產(chǎn)過程本身所固有的復雜性和不確定性使得人們難以用傳統(tǒng)的方法為其建立精確的預報模型，從而制約了加熱爐優(yōu)化控制的實