[发明专利]一种基于多隐层极限学习机的热连轧轧制力预报方法

说明书

本发明涉及一种基于多隐层极限学习机神经网络的热连轧轧制力预报的方法，包括以下步骤：获取影响热连轧轧制力数值的影响因素数据；将获取的影响因素数据输入多隐层极限学习机预测模型；所述多隐层极限学习机预测模型根据输入的影响因素数据输出热连轧轧制力的预测数值。采用多组现有的热连轧轧制力综合数据、遗传算法和粒子群优化算法，建立基于多隐层极限学习机神经网络的多隐层极限学习机预测模型。本发明提供的一种多隐层极限学习机热连轧轧制力的预报方法预测精度高，模型易维护，同时避免了依据设计者个人经验设定神经网络的隐含层数和隐含层结点数的弊端，精度较高。

技术领域

本发明属于计算机技术领域，尤其涉及一种基于多隐层极限学习机的热连轧轧制力预报方法。

背景技术

随着国家经济的不断繁荣发展和现代化进程的不断推进，对板带材的需求量越来越多，这就对板带材的生产技术提出更高的要求。在热连轧轧制生产过程中，影响带钢实际轧出厚度的主要因素是轧制力，轧制力计算的准确与否是实现精确在线控制的关键。传统的轧制力计算是由数学模型来进行的，由于数学模型的建立过程本身就忽略和简化了许多实际现场因素，因此单纯靠数学模型计算轧制力误差较大，不能满足日益精确的轧制要求。

上述缺陷是本领域技术人员期望克服的

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于多隐层极限学习机预报热连轧轧制力的方法。此方法预测精度高，模型易维护，同时避免根据经验设定神经网络结构参数，精度高。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案如下：

一种基于多隐层极限学习机预报热连轧轧制力的方法，包括以下步骤：

获取影响热连轧轧制力数值的影响因素数据；

将获取的影响因素数据输入多隐层极限学习机预测模型；

所述多隐层极限学习机预测模型根据输入的影响因素数据输出热连轧轧制力的预测数值。

优选地，将获取的影响因素数据输入多隐层极限学习机预测模型之前，所述方法还包括：

采用多组现有的热连轧轧制力综合数据、遗传算法和粒子群优化算法，建立基于多隐层极限学习机神经网络的多隐层极限学习机预测模型。

优选地，所述方法还包括如下子步骤：

获取多组现有的热连轧轧制力综合数据，其中，每组热连轧轧制力综合数据中包括n个热连轧轧制力影响因素，需要预报的热连轧轧制力结果有m个，m，n均为大于1的整数；

设置多隐层极限学习神经网络输入输出层的节点参数，其中，设置输入层的节点个数为n，设置多层极限学习机输出层的节点为m；

将所述热连轧轧制力影响因素作为所述多隐层极限学习机神经网络的输入数据，将所述需要预测的热连轧轧制力结果作为所述多隐层极限学习机神经网络的输出数据；

使用遗传算法确定多隐层极限学习机神经网络的最优隐含层数和最优隐含层结点数；

使用粒子群优化算法得到的所述多隐层极限学习机神经网络的最优权重矩阵和最优偏置向量；

将确定的最优隐含层数设定为所述多隐层极限学习机神经网络的隐含层数；

将确定的最优隐含层结点数设置为所述多隐层极限神经网络的隐含层结点数；

将得到的最优权重矩阵设置为所述多隐层极限学习机神经网络的权重矩阵；

将得到的最优偏置向量设置为所述多隐层极限学习机神经网络的偏置向量；