基于粗糙集的CMAC神经网络板形控制模型的研究

摘要

现代工业飞速发展，板形控制日益成为钢铁企业面临的重要课题。板形控制系统具有多变量、非线性、强耦合和纯滞后的特点，使用传统的控制方法很难得到较好的控制效果。近年来，人工智能方法在板形控制领域得到了迅猛发展，其中以粗糙集理论为基础的控制技术越来越受到研究学者们的重视。把神经网络与粗糙集结合起来，可有效地发挥各自的优势并弥补其不足。本文以人工智能理论为基础，对板形控制的智能方法进行了研究。
　　首先，分析了现阶段神经网络控制器的方法以及存在网络结构复杂的缺点，基于 CMAC网络结构简单，学习速度快，具有一定的泛化性等特点，具有较好地学习多维非线性映射的能力，建立了CMAC神经网络控制器模型。
　　其次，针对CMAC网络的学习算法中采用固定的学习率，使得网络通过学习达不到最优解的问题，将动态学习率引入到 CMAC板形控制模型中，使得控制模型在网络学习过程中不断调整网络权值，提高了板形控制的精度。
　　再次，针对CMAC网络的隐节点个数和网络的初始权阈值是随机选取的，网络结构不是最佳的问题，利用粗糙集理论来解决，简化网络的权值，确定网络系统的结构。
　　最后，利用本文所提出的基于粗糙集的CMAC神经网络方法，建立了板形控制模型，在某1220冷连轧机上进行了仿真验证，证明了本方法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景

1.2 板形智能控制领域发展现状及研究意义

1.3 基于神经网络与粗糙集理论的智能方法研究

1.4 研究内容

1.5 本文组织结构

第2章 基于CMAC神经网络板形控制器模型的研究

2.1 概述

2.2 板形控制模型的分析

2.3 板形CMAC神经控制器的构造

2.4 仿真实验

2.5 本章小结

第3章 CMAC板形控制模型中学习算法的研究

3.1 概述

3.2 CMAC神经网络固定学习率的局限性及研究

3.3 基于动态学习率的板形控制模型

3.4 基于动态学习率的CMAC板形控制模型的建立

3.5 仿真实验

3.6 本章小结

第4章 基于粗糙集的CMAC神经网络

4.1 概述

4.2 粗糙集与神经网络结合

4.3 粗糙集CMAC神经网络控制模型的设计

4.4 仿真实例

4.5 本章小结

第5章 仿真实验

5.1 概述

5.2 板形调节手段

5.3 基于CMAC神经系统板形控制器的建立

5.4 仿真结果及分析

5.5 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢

作者简介