期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
5
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
GA-CRBF网络板形识别的DSP实现
被引量:
2
1
作者
张秀玲
程艳涛
+1 位作者
齐晴
侯代标
《矿冶工程》
CAS
CSCD
北大核心
2016年第6期113-117,共5页
针对传统RBF网络板形模式识别方法存在抗干扰能力差、识别精度有限以及缺乏处理不确定性信息的能力等问题,将云模型引入RBF神经网络,提出一种新型板形识别模型。MATALB仿真结果表明:新型GA-CRBF网络正确识别出板形缺陷,识别精度比传统的...
针对传统RBF网络板形模式识别方法存在抗干扰能力差、识别精度有限以及缺乏处理不确定性信息的能力等问题,将云模型引入RBF神经网络,提出一种新型板形识别模型。MATALB仿真结果表明:新型GA-CRBF网络正确识别出板形缺陷,识别精度比传统的RBF网络提升73%,抗干扰性也提升了83%。将GA-CRBF网络写入DSP芯片中运行后,正确识别出缺陷板形,验证了其工程应用的可行性,为神经网络推广应用到实际工程中提供了依据。
展开更多
关键词
板形识别
RBF神经网络
云模型
遗传算法
DSP
下载PDF
职称材料
基于多RBF神经网络的板形数据建模
被引量:
5
2
作者
张秀玲
代景欢
+2 位作者
康学楠
李金祥
魏楷伦
《矿冶工程》
CAS
CSCD
北大核心
2019年第6期124-128,共5页
常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响,为此设计了多RBF神经网络板形识别模型,用多个子网络分别识别不同的特征参数,能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明:所设计的...
常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响,为此设计了多RBF神经网络板形识别模型,用多个子网络分别识别不同的特征参数,能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明:所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型,并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。
展开更多
关键词
板形识别
主成分分析
多RBF神经网络
遗传算法
下载PDF
职称材料
基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别
被引量:
3
3
作者
张秀玲
李家欢
+2 位作者
魏其珺
董逍鹏
周凯旋
《矿冶工程》
CAS
CSCD
北大核心
2018年第3期127-131,共5页
针对传统优化算法(SNPOM)在辨识RBF-ARX模型参数时易陷入局部最优解的问题,将云遗传算法(CGA)和SNPOM算法结合,提出一种混合优化算法CGA-SNPOM。并以某公司900HC可逆冷轧机板形识别为应用背景,设计了基于CGA-SNPOM优化RBF-ARX的板形缺...
针对传统优化算法(SNPOM)在辨识RBF-ARX模型参数时易陷入局部最优解的问题,将云遗传算法(CGA)和SNPOM算法结合,提出一种混合优化算法CGA-SNPOM。并以某公司900HC可逆冷轧机板形识别为应用背景,设计了基于CGA-SNPOM优化RBF-ARX的板形缺陷识别模型。分别用SNPOM算法和CGA-SNPOM算法对RBF-ARX模型参数进行优化,仿真验证表明,基于CGA-SNPOM优化的板形识别系统克服了SNPOM容易陷入局部极值的缺点,识别精度大幅提高,是一种有效的板形识别方案。
展开更多
关键词
板形识别
板形缺陷
SNPOM
云遗传
RBF-ARX
下载PDF
职称材料
基于PCA-RBF的板形识别及FPGA软实现
被引量:
3
4
作者
张秀玲
代景欢
+1 位作者
李家欢
张逞逞
《矿冶工程》
CAS
CSCD
北大核心
2019年第1期109-113,共5页
针对常规神经网络板形识别方法中存在的不足,提出了以PCA替代欧氏距离作为提取特征的手段,并将所设计的PCA-RBF板形识别模型以FPGA为硬件实现载体进行了仿真研究。仿真结果表明,设计的PCA-RBF板形识别模型能够正确识别出板形缺陷,网络...
针对常规神经网络板形识别方法中存在的不足,提出了以PCA替代欧氏距离作为提取特征的手段,并将所设计的PCA-RBF板形识别模型以FPGA为硬件实现载体进行了仿真研究。仿真结果表明,设计的PCA-RBF板形识别模型能够正确识别出板形缺陷,网络结构比常规RBF板形识别模型相对简化,同时识别精度提升了59%,抗干扰能力提升了82%。FPGA仿真结果在精度和实时性上可以满足实际工程需要。
展开更多
关键词
PCA
RBF神经网络
板形缺陷
板形识别
现场可编程门阵列
下载PDF
职称材料
混合优化RBF-BP网络的板形缺陷识别
被引量:
6
5
作者
张秀玲
李家欢
+2 位作者
李金祥
魏楷伦
康学楠
《模糊系统与数学》
北大核心
2020年第1期149-156,共8页
针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法...
针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。
展开更多
关键词
模式识别
RBF-BP
混合优化
自组织映射网络
遗传算法
板形
原文传递
题名
GA-CRBF网络板形识别的DSP实现
被引量:
2
1
作者
张秀玲
程艳涛
齐晴
侯代标
机构
燕山大学河北省工业计算机控制工程河北省重点实验室
燕山大学
国家冷轧板带装备及工艺
工程
技术研究中心
出处
《矿冶工程》
CAS
CSCD
北大核心
2016年第6期113-117,共5页
基金
河北省自然科学基金-钢铁联合研究基金项目(E2015203354)
河北省高校创新团队领军人才培育计划项目(LJRC013)
+1 种基金
河北省教育厅科学研究计划河北省高等学校自然科学研究重点项目(ZD2016100)
2016年燕山大学基础研究专项培育课题(16LGY015)
文摘
针对传统RBF网络板形模式识别方法存在抗干扰能力差、识别精度有限以及缺乏处理不确定性信息的能力等问题,将云模型引入RBF神经网络,提出一种新型板形识别模型。MATALB仿真结果表明:新型GA-CRBF网络正确识别出板形缺陷,识别精度比传统的RBF网络提升73%,抗干扰性也提升了83%。将GA-CRBF网络写入DSP芯片中运行后,正确识别出缺陷板形,验证了其工程应用的可行性,为神经网络推广应用到实际工程中提供了依据。
关键词
板形识别
RBF神经网络
云模型
遗传算法
DSP
Keywords
flatness recognition
RBF neural network
cloud model
genetic algorithm
DSP
分类号
TG339 [金属学及工艺—金属压力加工]
下载PDF
职称材料
题名
基于多RBF神经网络的板形数据建模
被引量:
5
2
作者
张秀玲
代景欢
康学楠
李金祥
魏楷伦
机构
燕山大学河北省工业计算机控制工程河北省重点实验室
燕山大学
国家冷轧板带装备及工艺
工程
技术研究中心
出处
《矿冶工程》
CAS
CSCD
北大核心
2019年第6期124-128,共5页
基金
河北省自然科学基金-钢铁联合研究基金项目(E2015203354)
河北省高校创新团队领军人才培育计划项目(LJRC013)
+1 种基金
河北省教育厅科学研究计划河北省高等学校自然科学研究重点项目(ZD2016100)
2016年燕山大学基础研究专项培育课题(16LGY015)
文摘
常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响,为此设计了多RBF神经网络板形识别模型,用多个子网络分别识别不同的特征参数,能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明:所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型,并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。
关键词
板形识别
主成分分析
多RBF神经网络
遗传算法
Keywords
plate recognition
principal component analysis
multiple RBF neural networks
genetic algorithm
分类号
TG333 [金属学及工艺—金属压力加工]
下载PDF
职称材料
题名
基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别
被引量:
3
3
作者
张秀玲
李家欢
魏其珺
董逍鹏
周凯旋
机构
燕山大学河北省工业计算机控制工程河北省重点实验室
燕山大学
国家冷轧板带装备及工艺
工程
技术研究中心
出处
《矿冶工程》
CAS
CSCD
北大核心
2018年第3期127-131,共5页
基金
河北省自然科学基金-钢铁联合研究基金项目(E2015203354)
河北省高校创新团队领军人才培育计划项目(LJRC013)
+2 种基金
河北省教育厅科学研究计划河北省高等学校自然科学研究重点项目(ZD2016100)
秦皇岛市科技局自筹项目(201703A229)
2016年燕山大学基础研究专项培育课题(16LGY015)
文摘
针对传统优化算法(SNPOM)在辨识RBF-ARX模型参数时易陷入局部最优解的问题,将云遗传算法(CGA)和SNPOM算法结合,提出一种混合优化算法CGA-SNPOM。并以某公司900HC可逆冷轧机板形识别为应用背景,设计了基于CGA-SNPOM优化RBF-ARX的板形缺陷识别模型。分别用SNPOM算法和CGA-SNPOM算法对RBF-ARX模型参数进行优化,仿真验证表明,基于CGA-SNPOM优化的板形识别系统克服了SNPOM容易陷入局部极值的缺点,识别精度大幅提高,是一种有效的板形识别方案。
关键词
板形识别
板形缺陷
SNPOM
云遗传
RBF-ARX
Keywords
flatness recognition
flatness delects
SNP0M
cloud genetic
RBF-ARX
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于PCA-RBF的板形识别及FPGA软实现
被引量:
3
4
作者
张秀玲
代景欢
李家欢
张逞逞
机构
燕山大学河北省工业计算机控制工程河北省重点实验室
燕山大学
国家冷轧板带装备及工艺
工程
技术研究中心
出处
《矿冶工程》
CAS
CSCD
北大核心
2019年第1期109-113,共5页
基金
河北省自然科学基金-钢铁联合研究基金项目(E2015203354)
河北省高校创新团队领军人才培育计划项目(LJRC013)
+1 种基金
河北省教育厅科学研究计划河北省高等学校自然科学研究重点项目(ZD201610)
2016年燕山大学基础研究专项培育课题(16LGY015)
文摘
针对常规神经网络板形识别方法中存在的不足,提出了以PCA替代欧氏距离作为提取特征的手段,并将所设计的PCA-RBF板形识别模型以FPGA为硬件实现载体进行了仿真研究。仿真结果表明,设计的PCA-RBF板形识别模型能够正确识别出板形缺陷,网络结构比常规RBF板形识别模型相对简化,同时识别精度提升了59%,抗干扰能力提升了82%。FPGA仿真结果在精度和实时性上可以满足实际工程需要。
关键词
PCA
RBF神经网络
板形缺陷
板形识别
现场可编程门阵列
Keywords
PCA
RBF neural network
flatness defect
flatness recognition
field programmable gate array
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
混合优化RBF-BP网络的板形缺陷识别
被引量:
6
5
作者
张秀玲
李家欢
李金祥
魏楷伦
康学楠
机构
燕山大学河北省工业计算机控制工程河北省重点实验室
燕山大学
国家冷轧板带装备及工艺
工程
技术研究中心
出处
《模糊系统与数学》
北大核心
2020年第1期149-156,共8页
基金
河北省自然科学基金-钢铁联合研究基金项目(E2015203354)
河北省高校创新团队领军人才培育计划项目(LJRC013)
+2 种基金
河北省教育厅科学研究计划河北省高等学校自然科学研究重点项目(ZD2016100)
秦皇岛市科技局自筹项目(201703A229)
2016年燕山大学基础研究专项培育课题(16LGY015)。
文摘
针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。
关键词
模式识别
RBF-BP
混合优化
自组织映射网络
遗传算法
板形
Keywords
Pattern Recognition
RBF-BP
Hybrid Optimization
SOM
GA
Flatness
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
GA-CRBF网络板形识别的DSP实现
张秀玲
程艳涛
齐晴
侯代标
《矿冶工程》
CAS
CSCD
北大核心
2016
2
下载PDF
职称材料
2
基于多RBF神经网络的板形数据建模
张秀玲
代景欢
康学楠
李金祥
魏楷伦
《矿冶工程》
CAS
CSCD
北大核心
2019
5
下载PDF
职称材料
3
基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别
张秀玲
李家欢
魏其珺
董逍鹏
周凯旋
《矿冶工程》
CAS
CSCD
北大核心
2018
3
下载PDF
职称材料
4
基于PCA-RBF的板形识别及FPGA软实现
张秀玲
代景欢
李家欢
张逞逞
《矿冶工程》
CAS
CSCD
北大核心
2019
3
下载PDF
职称材料
5
混合优化RBF-BP网络的板形缺陷识别
张秀玲
李家欢
李金祥
魏楷伦
康学楠
《模糊系统与数学》
北大核心
2020
6
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部