一种混合蛙跳反馈极限学习机带钢厚度预测方法技术

一种混合蛙跳反馈极限学习机带钢厚度预测方法，包括以下步骤：1)分析采集的钢板数据信号；2)特征提取；3)在极限学习机中引入卡尔曼滤波思想，将网络的实际输出与期望输出的差值反馈给输入层，形成一种反馈极限学习机算法。同时运用混合蛙跳算法对反馈极限学习机算法的随机参数进行优化，构建一种混合蛙跳反馈极限学习机预测模型；4)将步骤3)所得的混合蛙跳反馈极限学习机用于带钢出口厚度的预测中，并与传统极限学习机以及混合蛙跳极限学习机进行结果对比，以此验证方法的有效性。本发明专利技术通过上述步骤，提供了一种的预测误差小，预测精度高，鲁棒性好的预测方法。

A Prediction Method for Strip Thickness of Mixed Frog Jump Feedback Limit Learning Machine

【技术实现步骤摘要】
一种混合蛙跳反馈极限学习机带钢厚度预测方法
本专利技术涉及一种用于预测带钢出口厚度的方法，是一种混合蛙跳反馈极限学习机带钢厚度预测方法。
技术介绍
带钢厚度在轧制过程中占据着重要的地位，出口厚度的精度已经成为衡量钢板成品质量的重要指标。但是在实际的轧制过程中，带钢出口厚度有众多的影响因素，并且每个因素根据张力控制方法对带钢厚度产生不同的影响。目前，对带钢厚度控制预测普遍采用自动厚度控制(AGC)方法，但是这种方法的控制精度完全取决于控制模型的精度，所以使得厚度的精度预测受到了限制。近年来，神经网络被普遍应用于轧钢的预测中，但是由于其存在收敛速度慢，容易陷入局部最优和泛化性能低等缺点，使得神经网络在预测方面受到了限制。为了避免上述问题，极限学习机作为一种新型的单隐层前馈神经网络，以其快速的学习速度，较好的泛化性能和较少的调节参数得到了广泛应用。但是由于其输入权值和隐含层偏置值是随机选取的，所以导致极限学习机比传统的基于梯度的学习算法需要更多的隐含层节点，为了解决这种问题许多国内外的学者对极限学习机进行了进一步的研究。
技术实现思路
针对极限学习机的输入权值和隐含层偏置值的随机选取会对输出权值的计算产生影响，并且使极限学习机比传统的基于参数调整的学习算法需要更多的隐含层节点，引起系统的病态导致泛化性能降低的技术问题，本方法采用混合蛙跳算法优化反馈极限学习机，并应用于带钢出口厚度的预测中，提出了一种混合蛙跳反馈极限学习机带钢厚度预测方法，以此来降低预测误差，提高预测精度和鲁棒性。为了实现上述目的，本专利技术创造采用的技术方案为：一种混合蛙跳反馈极限学习机带钢厚度预测方法，其特征在于，其步骤为：1)分析采集的钢板数据信号：对钢板数据信号进行分析；2)用互信息法计算带钢出口厚度与影响因素的互信息值，选择对带钢厚度影响大的因素，完成特征提取；3)在极限学习机中引入卡尔曼滤波，将网络的实际输出与期望输出的差值反馈给输入层，形成一种反馈极限学习机算法；同时运用混合蛙跳算法对反馈极限学习机算法的随机参数进行优化，构建一种混合蛙跳反馈极限学习机预测模型；4)将步骤3)所得的混合蛙跳反馈极限学习机用于带钢出口厚度的预测中，并与传统极限学习机以及混合蛙跳极限学习机进行结果对比。所述的步骤2)中，具体方法为：2.1)设置变量X和Y，X为输入的参数向量，Y为带钢厚度，变量X和Y之间的互信息值表示为I(X；Y)，通过公式(1)进行计算：其中：μXY(x,y)表示X和Y的联合概率密度函数：μX(x)表示X的边缘概率密度函数；μY(y)表示Y的边缘概率密度函数；利用公式(1)计算得出带钢厚度影响因素与互信息值，然后然后根据步骤2.2.2)，2.2.3)选择参数作为实验的数据集；2.2)预测模型输入参数特征提取：设输入参数向量为X＝{X1,X2,...,XN}，N表示向量维数，带钢厚度为Y；2.2.1)计算Xi与Y的互信息值I(Xi；Y)，i＝1,2,...,N；2.2.2)设置相关性阈值α(α∈[0,1])，设置为α＝1/N；2.2.3)选择互信息值I(Xi；Y)＞α的参数Xi，对最终选取的影响参数组合为新的数据集作为带钢厚度预测的实验数据集；2.2.4)选择min-max方法对数据归一化处理：利用线性变换方法将数据的值转换为[0,1]之间的数，其线性变换公式如(2)所示：其中：max和min表示数据集中X的最大值和最小值；当样本数据集发生变化时，重新计算max和min的值。所述的步骤3)中，具体步骤为：3.1)初始化一个蛙群：青蛙数量为F，青蛙种群分为m个群组，每一个群组的数量n，蛙群的全局进化次数，子群组局部进化次数LC，以及蛙群全局寻优中最优青蛙个体变化不明显的最近全局寻优次数阈值K；初始化反馈极限学习机的隐含层节点数H；3.2)随机初始化蛙群中每只青蛙的信息：蛙群中青蛙个体表示为Pi；采用混合蛙跳算法对反馈极限学习机的随机输入权值和隐含层偏置值进行优化，Pi＝[ω11,ω12,...,ωH1,ω21,ω22,...,ω2H,...,ωd1,ωd2,...,ωdH,b1,b2,...,bH](3)其中：ω和b分别为极限学习机的随机参数，且值都为[-1,1]之间的随机数；3.3)利用训练集和校验集按FELM训练流程对每个FELM进行训练，保存得到FELM模型、训练误差和校验集得出的均方根误差RMSE和隐含层输出矩阵的二范式条件数COND，将RMSE和COND作为混合蛙跳算法每只青蛙的适应度值；算法训练中选取均方根误差RMSE作为适应度函数，由校验集计算得出；均方根误差的计算公式如式(4)所示：其中：nv表示校验集的样本数量；在算法中RMSE的值越小，ELM模型的回归预测精度越好；tj表示带钢厚度期望输出向量；混合蛙跳算法的适应度函数如公式(5)所示：更新整个蛙群中最优青蛙个体Pt和子群组中最差青蛙个体Pworst：Pt即为最优ELM模型参数，当子群组进化一次后，就对群组中每个青蛙个体重新按适应度值降序排列，子群组继续迭代寻优，直到所有子群组进化结束，将所有青蛙个体重新按适应度值降序排列，选取全局最优青蛙个体Pt，若没有结束全局寻优，则蛙群继续进化，从而找出蛙群最终全局最优青蛙个体Pt；3.4)对蛙群中每只青蛙个体按适应度值降序排列，并记录全局最优的青蛙个体Pt，将整个蛙群分为m个群组；3.5)对每个群组进行子群组划分，并找出每个子群组中局部最优青蛙个体Pbest和最差青蛙个体Pworst；然后每个子群组进行局部寻优搜索，对Pworst改进；3.6)重复执行步骤3.5)，当每个群组中子群组局部寻优进化次数达到LC，整个蛙群完成一次全局寻优；3.7)当整个蛙群完成一次全局寻优进化之后，将每个群组混合，重复执行步骤3.4)、3.5)、3.6)，直到达到蛙群全局进化次数；3.8)选取蛙群全局最优青蛙个体Pt，将其包含的FELM参数信息构建出最优的SFLAF-FELM预测模型；3.9)将实验中测试数据集输入SFLAF-FELM预测模型中，进行预测。所述的步骤3.5)中，子群组中Pworst的更新方法为：Pj＝2(n+1-j)/[n(n+1)](11)其中，j为群组中第j个青蛙；Pj为第j个青蛙划分到子群组的概率；n为子群组中青蛙的数量；W＝Rand()X(Pbest-Pworst)(12)newPworst＝Pworst+W(13)-Wmax≤W≤Wmax(14)其中：W为每只青蛙局部搜索的跳跃距离；Rand()为[0,1]之间的随机数；Wmax为青蛙个体的最大允许跳跃距离。本专利技术创造的有益效果为：本专利技术首先对钢板数据信号进行分析，然后用互信息法计算带钢出口厚度与各影响因素的互信息值，选择对带钢厚度影响较大的因素，完成特征提取，从而降低模型的复杂度，提高预测精度。最后归一化带钢数据，使数据量纲统一，进一步提高系统预测精度。并与传统极限学习机以及混合蛙跳极限学习机进行对比实验，来论证混合蛙跳反馈极限学习机预测算法在带钢出口厚度预测中的有效性。通过实验结果验证本方法在带钢厚度预测方面与其他方法相比，有较小的预测误差，较高的预测精度和较好的鲁棒性。附图说明：图1是反馈极限学习机的网络结构图。图2是ibaAnalyzer中部分参数信号图。图3是轧本文档来自技高网...

【技术保护点】
1.一种混合蛙跳反馈极限学习机带钢厚度预测方法，其特征在于，其步骤为：1)分析采集的钢板数据信号：对钢板数据信号进行分析；2)用互信息法计算带钢出口厚度与影响因素的互信息值，选择对带钢厚度影响大的因素，完成特征提取；3)在极限学习机中引入卡尔曼滤波，将网络的实际输出与期望输出的差值反馈给输入层，形成一种反馈极限学习机算法；同时运用混合蛙跳算法对反馈极限学习机算法的随机参数进行优化，构建一种混合蛙跳反馈极限学习机预测模型；4)将步骤3)所得的混合蛙跳反馈极限学习机用于带钢出口厚度的预测中，并与传统极限学习机以及混合蛙跳极限学习机进行结果对比。

【技术特征摘要】
1.一种混合蛙跳反馈极限学习机带钢厚度预测方法，其特征在于，其步骤为：1)分析采集的钢板数据信号：对钢板数据信号进行分析；2)用互信息法计算带钢出口厚度与影响因素的互信息值，选择对带钢厚度影响大的因素，完成特征提取；3)在极限学习机中引入卡尔曼滤波，将网络的实际输出与期望输出的差值反馈给输入层，形成一种反馈极限学习机算法；同时运用混合蛙跳算法对反馈极限学习机算法的随机参数进行优化，构建一种混合蛙跳反馈极限学习机预测模型；4)将步骤3)所得的混合蛙跳反馈极限学习机用于带钢出口厚度的预测中，并与传统极限学习机以及混合蛙跳极限学习机进行结果对比。2.根据权利要求1所述的一种混合蛙跳反馈极限学习机带钢厚度预测方法，其特征在于：所述的步骤2)中，具体方法为：2.1)设置变量X和Y，X为输入的参数向量，Y为带钢厚度，变量X和Y之间的互信息值表示为I(X；Y)，通过公式(1)进行计算：其中：μXY(x,y)表示X和Y的联合概率密度函数：μX(x)表示X的边缘概率密度函数；μY(y)表示Y的边缘概率密度函数；利用公式(1)计算得出带钢厚度影响因素与互信息值，然后根据步骤2.2.2)，2.2.3)选择参数作为实验的数据集；2.2)预测模型输入参数特征提取：设输入参数向量为X＝{X1,X2,...,XN}，N表示向量维数，带钢厚度为Y；2.2.1)计算Xi与Y的互信息值I(Xi；Y)，i＝1,2,...,N；2.2.2)设置相关性阈值α(α∈[0,1])，设置为α＝1/N；2.2.3)选择互信息值I(Xi；Y)＞α的参数Xi，对最终选取的影响参数组合为新的数据集作为带钢厚度预测的实验数据集；2.2.4)选择min-max方法对数据归一化处理：利用线性变换方法将数据的值转换为[0,1]之间的数，其线性变换公式如(2)所示：其中：max和min表示数据集中X的最大值和最小值；当样本数据集发生变化时，重新计算max和min的值。3.根据权利要求1所述的一种混合蛙跳反馈极限学习机带钢厚度预测方法，其特征在于：所述的步骤3)中，具体步骤为：3.1)初始化一个蛙群：青蛙数量为F，青蛙种群分为m个群组，每一个群组的数量n，蛙群的全局进化次数，子群组局部进化次数LC，LC为随机选取的数值，，以及蛙群全局寻优中最优青蛙个体变化不明显的最近全局寻优次数阈值K；初始化反馈极限学习机的隐含层节点数H；3.2)随机初始化蛙群中每只青蛙的信息：蛙群中青蛙个体表示为Pi；采用混合蛙跳算法对反馈极限学习机的随机输入权值和隐含层偏置值进行优化，Pi＝[ω11,ω12,...,ωH1,ω21,ω...

【专利技术属性】
技术研发人员：罗浩，周佳宁，石振桔，曲大鹏，张利，王彦捷，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：辽宁,21