小波神经网络理论的研究及其在加热炉钢坯温度预报中的应用

摘要

神经网络具有很强的非线性逼近能力及自学习、自适应能力，有较强的容错性，因而能够很好地跟踪捕获对象受各种不确定因素影响而发生的变化及变化趋势，能够很好的反映复杂工业过程的内部机理，是近年来研究和应用较多的一种智能控制方法。但在实际应用时，由于神经网络自身存在训练时间长、收敛速度慢以及局部极小等问题而限制了其在实时控制中的应用。为此，将小波分析理论引入神经网络，构成小波神经网络。小波神经网络融合了小波分析良好的时频局部化特性和神经网络的优点，较好的克服了以往神经网络结构设计的盲目性，具有较强的逼近能力、收敛速度快并且能有效避免局部极小值。本文选用的连续小波神经网络是将常规单隐含层神经网络中的Sigmoid函数用小波函数来代替，相应的输入层到隐含层的权值及隐含层阈值分别由小波函数的伸缩参数与平移参数代替，而输出层为线性神经元，它将隐含层的小波伸缩系线性叠加形成输出。针对小波神经网络算法中存在的一些缺陷，本文对其做了大量的研究工作并提出了一些改进的措施，主要包括：(1)提出了一种网络参数初始值的选取方法；(2)提出了有关网络隐含层节点数的确定方法；(3)小波神经网络的步长自调整学习算法等。 钢坯加热炉是热轧钢工业中用于钢坯轧前加热的重要设备。加热炉中钢坯温度及其分布是衡量钢坯加热质量以及实现加热炉优化控制的重要依据之一。因此，钢坯温度预报模型的研究已成为国际上一个重要的研究方向。由于加热炉生产过程本身所固有的复杂性和不确定性使得人们难以用传统的方法为其建立精确的预报模型，从而制约了加热炉优化控制的实现，因而迫切需求一种预报精度高、结构简单、适合于在线运行，具有通用性和工程实用性的钢坯温度预报模型。本文将研究出的改进的小波神经网络应用于加热炉钢坯温度预报中。仿真结果表明小波神经网络的预报精度高，自适应性好，收敛速度也明显快于单纯的神经网络。

目录

文摘

英文文摘

独创性声明及关于学位论文使用授权的声明

第一章绪论

1.1研究背景与意义

1.2小波神经网络在控制中的应用与展望

1.2.1小波神经网络在控制中的应用

1.2.2小波神经网络的研究前景与展望

1.3本论文主要研究内容及创新点

1.3.1本论文的主要研究内容

1.3.2本论文的主要创新点

1.4本文的结构安排

第二章神经网络理论的研究

2.1神经网络理论的发展史

2.2神经网络的基本特征与功能

2.2.1基本特征

2.2.2基本功能

2.3多层前向BP网络的研究

2.3.1 BP网络的拓扑结构及其学习过程

2.3.2 BP算法的优点及存在的问题

2.3.3 BP算法的改进

第三章小波分析理论的研究

3.1小波分析理论发展概述

3.2小波分析理论的基本概念

3.3小波分析的特点

3.4小波分析理论的应用和发展前景

第四章小波神经网络的研究

4.1小波神经网络

4.1.1小波神经网络理论的发展

4.1.2小波神经网络构造的理论基础

4.1.3小波神经网络的结构形式

4.2小波神经网络的特点

4.2.1小波神经网络优点

4.2.2小波神经网络存在的问题

4.3小波神经网络的自调整算法

4.3.1网络参数初始值的选取

4.3.2隐含层节点数的确定

4.3.3学习速度的调整

4.3.4基于BP算法的小波神经网络自调整算法

4.3.5程序流程图

4.3.6仿真实例

4.4小波神经网络在实时控制中的应用

图

第五章小波神经网络在加热炉钢坯温度预报中的应用

5.1带钢热连轧加热炉生产简介

5.1.1炉区任务及生产工艺过程

5.1.2加热工艺要求

5.1.3加热炉的控制要求

5.2加热炉炉区控制

5.2.1炉区过程控制

5.2.2加热炉控制

5.3钢坯加热过程在线数学模型

5.3.1传统的建模方法

5.3.2智能建模方法

5.4小波神经网络在加热炉钢坯温度预报中的应用

5.4.1加热炉对钢坯的传热模型

5.4.2小波神经网络在加热炉钢坯温度预报中的应用

结束语

参考文献

致谢

攻读硕士研究生学位期间发表的论文