一种冷轧板带信号模式识别的方法与流程

技术特征：

1.一种冷轧板带信号模式识别的方法，其特征在于：该方法内容包括以下步骤：

步骤1采集板形仪在线测量的冷轧带钢宽度方向各测量段板形测量值，得到各测量段板形值；令测量段的个数为m，第_i个测量段板形测量值为F_i；

步骤2将板形仪输出的原始数据输入到一个n层的神经网络作为特征提取层，主要通过训练让网络自动提取特征以排除人工的痕迹；因板形主要有左边浪、右边浪、中间浪、双边浪、右三分浪、左三分浪、四分浪和边中浪八种缺陷模式，所以使网络输出为a_i,i＝1,2,3...m，其中m为输出个数,这里取m＝8，则网络每一层的计算公式如下：

a^l_i＝f(W_lx_l+b_l),l＝1,2,...n

其中l为网络的第l层；W_l为第l层网络权值；x_l为第l层输入；

步骤3使用基于遗传算法的改进型量子神经网络进行板形识别，将数据处理模块的输出a_i作为量子神经网络的输入，量子神经网络的输出u₁,u₂,u₃,u₄为板形的隶属度；

若u₁>0，表示板形具有左边浪，若u₁<0，表示板形具有右边浪；

若u₂>0，表示板形具有中间浪，若u₂<0，表示板形具有双边浪；

若u₃>0，表示板形具有左三分浪，若u₃<0，表示板形具有右三分浪；

若u₄>0，表示板形具有四分浪，若u₄<0，表示板形具有边中浪。

2.根据权利要求1所述的一种冷轧板带信号模式识别的方法，其特征在于：所述基于遗传算法的改进型量子神经网络，其建立过程包括如下步骤：

1)确定用于板形模式识别的量子神经网络训练学习的控制参数：

具体控制参数包括：用于网络训练遗传算法的初始种群个数NP，遗传算法的最大学习代数N，网络训练效果的目标值e，以及训练样本数目M；

2)训练样本数据的处理：

将板形仪输出的数据直接输入到网络，让网络前端的多层神经网络进行自动特征提取，然后输入到多层激励函数的量子神经网络中去；

3)多层激励函数改进型量子神经网络的设置：

多层激励函数改进型量子神经网络模型采用网状拓扑结构，是由特征提取层、隐含层和输出层构成，特征提取层也称输入层；模型隐含层神经元激励函数采用多量子能级变换函数，每个多能级变换函数是一系列具有量子间隔偏移的n_s个Sigmoid函数的线性叠加，即多层激励函数；因此，隐含层神经元的输出y_h可表示为：

$y_h=\frac{\underset{r=1}{\overset{n_s}{\mathrm{\&Sigma;}}}\mathrm{sg}m(Va-{\mathrm{\&theta;}}^r)}{n_s}$

其中V是多层激励函数量子神经网络的隐含层权值，a为特征提取层的输出，θ^r为量子间隔，n_s为量子间隔数目；

4)将特征提取层网络的权值和偏置、多层激励函数量子神经网络的隐层权值、量子间隔和输出层权值定义为遗传算法的个体向量，按照等概率随机分布确定NP个个体向量的种群初始值；

5)按照遗传算法的变异操作、交叉操作和选择操作进行个体向量的优化学习；使用优化学习得到的网络参数来配置多层激励函数的改进型量子神经网络参数，在将M个训练样本数据带入多层激励函数的改进型量子神经网络来计算输出值，继而通过计算上述M个训练样本数据对应的4M个网络输出值与其实际值之间的算术差的平方和；该算术差的平方和定义为误差指标函数值；若误差指标函数值小于网络训练效果的目标值g则意味着网络训练成功，否则，应当继续训练网络，g应根据训练样本的数量和网络的规模来选取；

6)记录训练学习的网络参数，得到一个15输入4输出的多层激励函数的改进型量子神经网；

按照上述步骤建立好网络后，再进行板形识别。