《基于小波包分析和径向基网络的板形模式识别方法》由会员分享，可在线阅读，更多相关《基于小波包分析和径向基网络的板形模式识别方法（4页珍藏版）》请在金锄头文库上搜索。
1、2 0 0 5 中国控制与决策学术年会论文集p r o c e e d i n g so f2 0 0 5 C h i n e s e C o n t r o l a n d l ) e c i s i o nC o n f e r e n c e1 1 6 9基于小波包分析和径向基网络的板形模式识别方法黄敏1 ，朱启兵2 ，纪志成1( 1 江南大学控制科学与工程研究中心，江苏无锡2 1 4 0 3 62 东北大学机械工程及自动化学院，辽宁沈阳1 10 0 0 4 )摘墓；板彤椎武识别是板形高精度控制过程中的技术难点之一提出神小渡包分析与径向基网络相鲒合的方法。可以很好地解骢这个难题小渡包变抉
2、可砒有效地去除板形拴测数据中噪声干扰的影响；采用径向基网络建立扳形识删模型，不髂要确定裣剥数据与板形之间复杂的函数关系该方法能有效地对复合扳形进行正确分类为能定出捃应的佬化控制燕略提供了重要蚱依据关键词：小波包分析 径向基网络；握形；模式识别P a t t e r nr e c o g n i t i o nf o rf l a t n e s sb a s e do nw a v e l e tp a c k e ta n a l y s i sa n dr a d i a lb a s i sf u n c t i o nn e t w o r kH U A N GM i n l ，Z H
3、 Ue 2 i b i n 9 2 ，J IZ h i c h e n 9 1( 1 C o n t r o lS c i e n c ea n dE n g i n e e r i n gR e s e a r c hC e n t e r S o u t h e r nY a n g t z eU n i v e r s i t y W u x i2 1 4 0 3 6 ，C h i n a i2 T h eC o l l e g eo fM e c h n i c a lE n g i n e e r i n ga n dA u t o m a t i o n ，N o r t h e
4、a s t e r nU n i v e r s i t y ，S h e n y a n g1 1 0 0 0 4 ，C h i n aC o r r e s p o n d e n t ：H U A N GM i n ，E m a i l ：h u a n g m z q b 1 6 3 ，c o r n )A b s t r a c t ：P a t t e r nr e c o g n i t i o nf o rf l a t n e s si so r t e 。ft h ed i f f i c u l tt e c h n i q u e si nh i g hp r e c
5、i s i o nf l a t n e s sc o n t r o ls y 3 l e m An o v e lp a t t e r nr e c o g n i t i o nm e t h o db a s e do nw a v e l e tp a c k e ta n a l y s i sa n dr a d i a lb a s i sf u n c t i o nn e t w o r ki sp r e s e n t e di nt h i sp a p e r T h ew a v e l e tp a c k e td e - n o i s i n gm e
6、t h o di su s e dt of i b e rt h en o i s eo ft h en l e H S U T ed a t aa v a i l a b l y T h ep l t t e r l lr e c o g n i t i o nm o d e lf o rf l a t n e s sb a s e do nr a d i a lb a s i sf u n c t i o nn e t w o r kh a sn ou s e o rt h ec o m p l i c a t e df u n c t i o nc o n n e c t i o nb
7、e t w e e nm e a s u r ed a t aa n df l a t n e s s T h i sm a t h o dc a nc l a s s i t yt h ec o m p l e x 1 a t n e s sc o r r e c t l yI t i si m p o r t a n tt op r o v i d ei n f o r m a t i o nf o rd e c i d i n gt h ec o n t r o ls t r a t e g y K e yw o r d s ：w a v e l e tp a c k e ta n a
8、l y s i s1r a d i a lb a s i sf u n c t i o nn e t w o r k ；f l a t n e s s ；p a t l e r nr e c o g n i t i o nl 引言板形的高精度控制是钢铁企业面临的重要课题之一在板形控制系统中，板形模式识别是板形控制的一个重要环节影响板形模式识别精度主要有两方面因素，一方面是采集信号的处理，板形测量仪上采集到的信号中包含一定程度的噪声干扰成分，如何有效去除噪声将直接影响板形识别的有效性和精度；另一方面是板形模式识别模型本身的精度，实际轧制过程中，影响板形的因素是多方面的，造成的板形往往是很复杂的，
9、如果识别模型过于简单，将影响板形模式的识别精度传统的板形识别方法包括最小二乘法的多项式回归法口。】、正交多项式分解法o ，其共同的缺点是抗干扰能力差，难以满足高精度的板形控制要求本文提出的小波包分析和径向基( R B F ) 神经网络相结合的方法充分利用两者的优点，有效地克服了上述传统方法的不足是一种理想的板形模式识别方法 2 基于小波包理论的信号去噪原理由于轧钢过程中随机噪声影响很大，因此要对所测数据进行适当的处理，尽可能降低外界干扰对板形检测数据的影响小波包分析是小波分析的推广，它能够提供一种更加精细的分析方法它能对小波分析没有细分的高频部分进行进一步分解，并能够根据被分析信号的特征，自适
10、应地选择相应的频带，使之与信号频谱相匹配，从而提高了时频分辨率，因此小波包具有更广泛的应用价值基于小波包作者简介：黄敏( 1 9 7 4 一) ，女，埕宁铁岭人，博士副教授，从事智能控制与优化的研究1 1 7 02 0 0 5 中国控制与决策学术年会论文巢的优良性能可以将其用于噪声去除的领域系数的取值远大于能量分散于大量小波系数上的信 2 1 正交小波包变换号或噪声的小波系数值选择一个合适的阈值，对小。J m 一“f ) 波系数进行阈值处理。就可以达到去除噪声而保留 I n 一口( f ) 有用信号的目的具体步骤如下： 式中：P ( f ) 为尺度函数；P ( ”为小波母函数1 ) 信号的小波
11、包分解：选择个小波并确定一 由双尺度的关系个小渡分解的层次L ，然后对信号进行L 层的小波f 总。( # ) 一可姜丸( 2 I 一“ ) ，包分解二二2 )2 ) 计算最佳树( 即确定最佳小波包基) 本文以 【卢z m + ，( 。) 2 2 董豇( 2 一”) S h a n n o n 熵为判据，选取熵值最小者为最优正交小 h - ) - 。n ( g 。) - e z 为多分辨分析( M R A ) 中定义的共波包基轭正交滤波器，具有如下特性3 ) 求浮动阈值：对分解的各个频段分别设定随噪f 。 。一乱，声能量变换地浮动闭值，“一4 - 2 T , T ；5 ) a 、厅，其中4 耄，
12、一，；，( 3 )为噪声强度，一般用中位数M A D ( 口) o 6 7 4 “钆为 c 童“一2 z ，函一( 一，0 1 - “小渡包分解系数) 来估计，”为信号的长度定义子空间U 7 是函数如( f ) 的闭包空间，而 u P 是函数p z 。( f ) 的闭包空间，且令( ) 满足( 2 )式，则称 “( z ) I m N ) 为正交尺度函数“f ) 确定的小渡包，它是最信号在所有频段的全部分解结果令m 一2 ，十 。( ) 即为信号对于尺度J 在频段女上的分解结果2 2 小波包的分解与重构设g T ( t ) U 7 ，则g T ( t ) 可表示为9 7 ( f ) 一：d f
13、 “l a ( 2 i t z ) ( 4 )式中：讲4 为函数聍( f ) 在空间U ? 的投影系数，g A ，( f ) 可分解为g j ”( ) 与g 尹“( f ) 小渡包分解算法：由 研“4 ) 求 d J “ 和f 础。“ ，即l d j 2 ”= ：日。一“d r “”，t k ， 仉一1 0 ，“5 ) 信号重构：进行小渡包逆变换，由系数”重建原信号，从而达到去噪目的 3 基于径向基网络的板形模式识别模型板形检测仪提供的检捌数据是一个综合板形信息，在板形控制中无法直接运用，需要采用适当的模式识别方法识别出带钢存在的浪型图1 中所示为冷轧带锕最常见的6 种浪型，B 为带钢的宽度
14、囫1 圈1 圈 图1 酗1 圆圈1 归一化后的标准板形板形模式识别的实质是把一组离散板形应力值作为一个特别样本，判别它属于预先定义的足种基本板形模式构成的标准样本儿， 一1 ，2 ，K 的相似度或隶属度R B F 神经网络在非线性系统建模 和辨识方面具有收敛速度快和逼近能力强的优点口】R B F 网络通常是一种两层前传网络，某一维输出的R B F 网络的输入输出关系可以利用一组归一化的径向基函数构造的映射，来表示黄敏等：基于小波包分析和径向基网络的板形模式识别方法1 1 7 1，r = 凡R ( x ) R 。( x ) ( 8 )式中：，为隐层节点数；R ( x ) 为隐层节点的基函数； 为
15、网络的输出层节点同隐层节点的连接权本文中隐层节点的基函数采用了高斯条( G a u s s i a nb a r ) 函数“3 ，它是把每个输入维的高斯响应加权求和 M R2 善w x p _ 专( 警) 2 ( 9 )式中：i 表示第i 个高斯条单元( 即隐层节点i ) ；J 表示输入维；M 表示其维敬；。，和。“ 口。，分别是输入向量X 和第i 个高斯条函数的中心C 。、宽度t 以及权矢量。的第j 项用上述函数网络构造的扳形模式识别模型如图2 所示凡，左偏右偏中拒边浪边中 复合演I 4 浪田2 板形攥式识别樱型输人层神经元的个数代表模式识别所需的输入量，神经元个数由被带钢覆盖的检测辊的测量
16、段的数量确定如果带钢宽度B 变化，则通过数学变换，使其变为固定的M 根据某冷轧厂的实际轧制情况，M 取2 0 经多次实践，确定隐含层神经元的个数为1 4 输出层由6 个神经元组成，分别代表6 种标准板形模式 4 仿真研究利用某冷轧厂生产过程中的实际历史数据进行仿真研究首先对数据进行捎嗓由于分解层次和小波包基的选取将直接影响消嗓效果，利用M a t l a b 程序包进行大量仿真试验，以S h a n n o n 熵为判据，选用D a u b e c h i e s 家族的d b 4 小波和3 层分解重构去噪的效果比较好消噪后的数据曲线比原始测量数据曲线光滑，更接近予实厍值，如图3 所示，图中横坐标为带钢与检测辊各测量段中心对应处的坐标，纵坐标为实测的应力值，单位为I 然后对去噪后的数据进
