导读:本文包含了板形识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,算法,向量,图像处理,小波,缺陷,计算机。
板形识别论文文献综述
张秀玲,代景欢,李家欢,张逞逞[1]（2019）在《基于PCA-RBF的板形识别及FPGA软实现》一文中研究指出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。(本文来源于《矿冶工程》期刊2019年01期）
胡悦,胡敏[2]（2018）在《计算机图像处理的板形识别研究》一文中研究指出随着知识经济的到来,现代信息技术的飞速发展,我国电子计算机领域取得了长足的发展。计算机图像处理的板形识别技术已经被广泛的应用到日常的生活当中,如:交通、医疗、自动化生产线等。但目前在计算机图像处理的板形识别仍然存在着一定的问题,故此本文将进一步研究计算机图像处理的板形识别技术。(本文来源于《数码世界》期刊2018年11期）
宋明明,王东城,张帅,徐扬欢,刘宏民[3]（2018）在《基于循环神经网络的板形模式识别模型》一文中研究指出板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。(本文来源于《钢铁》期刊2018年11期）
张秀玲,李家欢,魏其珺,董逍鹏,周凯旋[4]（2018）在《基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别》一文中研究指出针对传统优化算法(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。(本文来源于《矿冶工程》期刊2018年03期）
吴忠强,康晓华,于丹琦[5]（2018）在《基于小波消噪和优化支持向量机的板形模式识别》一文中研究指出提高板形模式识别的精度利于得到高精度的控制效果。针对实测的板形信号中混有噪声信号的问题,利用双变量阈值小波去噪,克服了软硬阈值函数在处理小波系数方面存在的缺点,使得去噪的效果更好。将去噪后的板形信号离散化,作为支持向量机的学习样本,建立识别模型。引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群和遗传算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。(本文来源于《中国机械工程》期刊2018年01期）
康晓华[6]（2017）在《基于小波消噪和智能优化算法的板形模式识别》一文中研究指出近年来,作为第四次工业革命的核心,人工智能在模式识别领域扮演着越来越重要的角色,其在语音、自然语言处理、计算机视觉、机器学习、知识图谱识别、分类、跟踪等方面的应用越来越广泛,人工智能在逐步的改变人类社会的各个方面。作为国民经济的支撑行业,钢铁工业一直以来都是备受关注的。随着科学技术的不断进步,各行各业对板带材质量的要求越来越严格。而轧制出高质量的板带材的首要任务就是提高板形模式识别的精度。将人工智能引入到板形模式识别当中,不仅可以提高板形模式识别的准确率而且还能加快识别速度。基于此本文的主要研究工作如下:针对在板形信号的测量当中存在噪声信号的问题,首先利用双变量阈值小波去噪,解决了软、硬阈值函数在处理小波系数方面存在的问题,使得去噪的效果更好。为了提高板形模式识别的准确率,提出基于支持向量机的板形识别模型。支持向量机在解决小样本、非线性和高维数的建模问题上,表现出较强的学习能力和泛化能力。将去噪后的板形信号离散化,作为支持向量机的学习样本,引入布谷鸟算法优化支持向量机的参数。仿真结果表明,相比于粒子群、遗传和网格搜索算法,布谷鸟优化算法所需匹配的参数少,而获得的最优解更好。考虑到在实际信号当中,在去除噪声的同时,保留信号的奇异性也很重要,提出自适应阈值函数的小波去噪方法。针对支持向量机只适合单输入、单输出系统的问题,提出终端滑模模糊神经网络的板形识别模型。利用终端滑模权值调整律代替梯度下降法的权值调整律,提高网络的精度。引入布谷鸟算法优化模糊神经网络的模型参数,进一步提高识别的精度和收敛速度。仿真结果表明,提出的识别模型取得了更好的识别效果。(本文来源于《燕山大学》期刊2017-12-01）
毕志敏[7]（2017）在《基于改进神经网络的板形识别方法》一文中研究指出随着经济迅速发展和科学技术的不断进步,社会的各行业对板带钢的需求也日益增长,因此,对板带钢的质量要求也越来越高。板形作为检测板带钢质量的重要指标,如何科学地解决板形的问题也早已成为国内外专家研究的重要课题。本文以人工智能理论中神经网络作为研究基础,选择冷轧板带钢的板形缺陷识别作为研究课题。本文通过对冷轧带钢板形缺陷模式的分析,提出了一种基于Elman神经网络的板形识别方法。首先,本文详细分析了Elman神经网络的优缺点,对于该神经网络训练速度慢、存在早熟现象的缺陷,提出利用遗传算法对网络进行优化改进。本文进而分析了遗传算法的性能特点,发现遗传算法求解多峰非线性问题时,容易陷入局部极值和出现早熟收敛现象。为此,本文将人工免疫思想、自适应机制和混沌优化思想引入算法的进化过程,对种群个体进行免疫选择、自适应交叉、混沌变异,从而增强算法的全局搜索能力,提高算法搜索精度,实现对遗传算法的改进,进而提出了混沌免疫遗传优化算法。然后,本文采用此算法对Elman神经网络的初始权值和阈值参数进行优化,建立了一种改进Elman网络的板形缺陷识别模型,并利用若干组测试样本数据对该模型方法进行仿真实验。通过比较该模型和BP、Elman以及GA-Elman网络的仿真识别效果,证明了用混沌免疫遗传算法优化的Elman网络板形缺陷识别方法,解决了网络收敛速度慢、易早熟的问题,相比单纯采用遗传算法优化的网络模型具有更高的识别精度,识别速度更快,因此,该方法也对板形进行实时控制具有重大意义。(本文来源于《济南大学》期刊2017-06-01）
张秀玲,程艳涛,齐晴,侯代标[8]（2016）在《GA-CRBF网络板形识别的DSP实现》一文中研究指出针对传统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。(本文来源于《矿冶工程》期刊2016年06期）
杨全海[9]（2016）在《基于计算机图像处理的板形识别系统设计》一文中研究指出针对现阶段基于图像检测的板形识别在缺陷的检出率普遍较低以及检测速度慢等问题,文中提出了一种基于计算机图像处理的板形识别系统,其通过直方图均衡化与高帽变换对初始图像进行处理,并通过边缘检测算法提取轮廓,然后利用BP神经网络分类器进行缺陷识别与分类。其在实验及实际工业生产中,均具有较高的识别率,可达到约90%,且还具有较好的板形识别效果。(本文来源于《电子设计工程》期刊2016年21期）
李海滨,高武杨,来永进,张秀玲[10]（2016）在《GA-T-S云推理网络板形模式识别的DSP实现》一文中研究指出针对现有神经网络大多是在软件的基础上进行仿真,训练时间长,不利于工程实际应用的问题,提出了GA-T-S云推理网络板形模式识别的DSP实现方法。首先以设计的板形模式识别GA-T-S云推理网络模型为基础,利用TI TMS320F2812完成T-S云推理网络的DSP设计;然后利用MATLAB遗传算法工具箱离线优化T-S云推理网络参数,将优化后的网络参数存入DSP中,进而分别在MATLAB与DSP上运行该网络;最后将运行结果分别进行显示与对比分析。实验结果证实了基于GA-T-S云推理网络的板形模式识别模型有较高的板形识别精度,能够正确识别出板形缺陷的类型,同时验证了GA-T-S云推理网络在硬件TI TMS320F2812上实现的可行性与快速性,从而为神经网络推广应用到实际工程中提供了依据。(本文来源于《中国机械工程》期刊2016年17期）
板形识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着知识经济的到来,现代信息技术的飞速发展,我国电子计算机领域取得了长足的发展。计算机图像处理的板形识别技术已经被广泛的应用到日常的生活当中,如:交通、医疗、自动化生产线等。但目前在计算机图像处理的板形识别仍然存在着一定的问题,故此本文将进一步研究计算机图像处理的板形识别技术。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
板形识别论文参考文献
[1].张秀玲,代景欢,李家欢,张逞逞.基于PCA-RBF的板形识别及FPGA软实现[J].矿冶工程.2019
[2].胡悦,胡敏.计算机图像处理的板形识别研究[J].数码世界.2018
[3].宋明明,王东城,张帅,徐扬欢,刘宏民.基于循环神经网络的板形模式识别模型[J].钢铁.2018
[4].张秀玲,李家欢,魏其珺,董逍鹏,周凯旋.基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别[J].矿冶工程.2018
[5].吴忠强,康晓华,于丹琦.基于小波消噪和优化支持向量机的板形模式识别[J].中国机械工程.2018
[6].康晓华.基于小波消噪和智能优化算法的板形模式识别[D].燕山大学.2017
[7].毕志敏.基于改进神经网络的板形识别方法[D].济南大学.2017
[8].张秀玲,程艳涛,齐晴,侯代标.GA-CRBF网络板形识别的DSP实现[J].矿冶工程.2016
[9].杨全海.基于计算机图像处理的板形识别系统设计[J].电子设计工程.2016
[10].李海滨,高武杨,来永进,张秀玲.GA-T-S云推理网络板形模式识别的DSP实现[J].中国机械工程.2016
论文知识图
