支持向量机与神经网络相结合的板带凸度预测.pdf

合的板带凸度预测[J]. 智能系统学报, 2022, 17(3): 506-514. 本文主要探讨了在热轧生产过程中，如何通过结合支持向量机（Support Vector Machine, SVM）和支持向量回归（Support Vector Regression, SVR）以及人工神经网络（Artificial Neural Network, ANN）来提高板带凸度的预测精度。板带凸度是衡量热轧钢板平直度的重要参数，精确预测能够有效提升产品质量和生产效率。 作者刘明华和张强提出了一种融合粒子群优化算法（Particle Swarm Optimization, PSO）、SVR和BP神经网络（Back Propagation Neural Network, BPNN）的板带凸度预测模型。利用PSO算法对SVR模型的参数进行优化，构建了PSO-SVR模型，以提升模型的拟合度和预测准确性。然后，他们提出了一种新的方法，即结合BPNN建立的板带凸度偏差模型与PSO-SVR板带凸度模型，以进一步提高预测性能。 在实际生产数据上，该模型的预测精度得到了验证，并通过统计指标评估了其综合性能。仿真结果显示，PSO-SVR+BPNN模型在学习能力和泛化能力方面优于单独的PSO-SVR、SVR、BPNN模型，同时在运算时间上较遗传算法优化的SVR（GA-SVR）模型更短。 这一研究展示了机器学习方法，特别是支持向量机和神经网络的集成在解决复杂工业问题上的潜力。PSO作为一种全局优化工具，能够有效地搜索最佳参数，提高SVM的预测效果。而BPNN则通过多层次的信息处理，捕捉非线性关系，进一步增强预测的准确性和稳定性。通过两种模型的协同工作，可以更好地应对热轧板带凸度预测中的不确定性因素。 此外，文中提及的其他研究包括仿人机器人步态平衡泛化模型、深度学习在双人交互行为识别与预测中的应用、基于自组织递归模糊神经网络的PM2.5浓度预测、基于递归神经网络的风暴潮增水预测以及基于粒子群优化的Elman神经网络无模型控制，这些都反映了智能系统在不同领域的广泛应用和发展趋势。 这项研究为热轧板带生产提供了有效的预测工具，同时也为机器学习在工业过程控制中的应用提供了有价值的参考。通过结合多种模型和优化算法，可以解决复杂系统的预测问题，提高工业生产的智能化水平。