基于神经网络的板形模式识别

目录
第1章 绪论 4
1.1  课题背景 4
1.1.1 板形模式识别概述 4
1.1.2 当前的板形识别方法 5
1.2  神经网络的发展概要 6
1.3  人工神经网络板形模式识别特点 7
第2章 基础知识 9
2.1  模式识别的基本概念 9
2.2  神经网络基本概念 12
2.2.1 神经元模型的提出 12
2.2.2 人工神经元模型 15
2.2.3 网络结构及工作方式 17
2.2.4 神经网络的学习方法 18
2.2.5 学习算法（学习规则） 20
2.2.6 学习与自适应 22
2.3  人工神经网络的基本特征 23
2.3.1 神经网络的基本属性 24
2.3.2 人工神经网络的特点 24
2.4  Hopfield神经网络 26
2.4.1 Hopfield神经网络基本概念[9] 26
2.4.2 Hopfield神经网络结构特点[6] 28
2.5  本章小结 34
第3章.Hopfield神经网络的设计 35
3.1  板形模式识别系统数学模型 35
3.1.1 基于离散Hopfield神经网络识别的板形模式数学模型 35
3.1.2 Hopfield网络模型结构 38
3.2 网络的设计 39
3.3  本章小结 44
结论 45
参考文献 46
致谢 48
 
第1章 绪论
1.1  课题背景
1.1.1 板形模式识别概述
随着国民经济的发展[1]，板带产品的质量要求越来越高，板形作为板带质量的一个重要指标，越来越引起各生产研究部门的重视。在板形闭环控制系统中，板形信号模式识别是关键环节。对于板带和板形，板带横向厚度[2]是指沿宽度方向的厚度差，它决定了板带材轧后的断面形状，或轧制时的实际辊缝形状，一般用板带中央与边部厚度之差的绝对值或相对值来表示，因而是一种借助厚度测定即可得到的具体指标。板形是指板带材的平直度，即是指浪形、瓢曲或旁弯的有无及程度而言。横向厚差决定于板带材轧后的断面形状，一般用板带中央与边部厚度之差的绝对值或相对值来表示。板带材的横向厚差决定了钢板的断面形状，钢板的断面形状也称钢板凸度，Profile也指的是板带材的平直度，板形是板带材平直度的简称。
目前带钢板形的质量水平还不能满足各行业用户的要求，其主要原因之一[3]就是板形自动控制系统不完善，而且在信号检测、信号处理、板形模式识别等方面研究滞后，使之成为板形控制中的薄弱环节。在板形控制系统中，首先要根据轧机执行机构的要求，对板形缺陷进行模式识别。
传统的板形信号处理方法[4]是基于最小二乘法的多项式分解方法，最小二乘法擅长于对实测数据的拟合，虽然可以将m个离散点值转换成一条曲线（一个n+1次多项式），但是为了提高逼近精度，往往需要很大的n值，拟合后的结果往往不能有效定量的描述当前带钢板形情况。将多项式最小二乘拟合法应用于板形识别，忽略了板形识别的任务是判别板形模式，压缩特征参数数目为在线板形控制服务。因而从板形识别目的来讲采用最小二乘拟合法也不可取。