基于改進(jìn)ELM-AE冷軋軋制力預(yù)測(cè)

摘要： 在研究深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)軋制力的基礎(chǔ)上,針對(duì)極限學(xué)習(xí)機(jī)-自編碼器的回歸問(wèn)題,提出一種自增刪網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法。利用自編碼器進(jìn)行原始數(shù)據(jù)的特征提取,為模型提供有效的高階特征。極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度快且泛化能力強(qiáng),監(jiān)督階段時(shí)使用極限學(xué)習(xí)機(jī)回歸軋制力,并使用隱層節(jié)點(diǎn)增刪策略調(diào)節(jié)極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu),解決了極限學(xué)習(xí)機(jī)-自編碼器的結(jié)構(gòu)設(shè)計(jì)問(wèn)題。該方法用于軋制力回歸,采用深層網(wǎng)絡(luò)結(jié)合大量數(shù)據(jù)保證模型的回歸精度的同時(shí),實(shí)現(xiàn)了軋制數(shù)據(jù)的特征提取和網(wǎng)絡(luò)結(jié)構(gòu)的自增刪。結(jié)果顯示,該深層結(jié)構(gòu)自增刪網(wǎng)絡(luò)具有很好的模型收斂和參數(shù)回歸能力,在訓(xùn)練速度與精度方面均優(yōu)于彈性RBF和稀疏自編碼器神經(jīng)網(wǎng)絡(luò)算法。 （共6頁(yè)）