基于多输入层遗传神经网络的热轧产品性能预测

根据热轧产品加工流程的多阶段特点,建立了高维多输入层遗传神经网络机械性能预报模型。该模型根据工艺流程发生顺序在前馈人工神经网络的某些隐含层上增添了输入节点,能够更好地模拟热连轧生产过程。同时,为避免标准BP(Back propagation)算法陷入局部极值点,采用了遗传算法对神经网络权值和阈值进行全局预处理,再利用标准BP算法进行训练,使两者优缺点相互补偿,从而得到全局最优解。最后,利用某钢铁企业的热轧产品实际生产数据对模型进行测试,预测结果满足偏差要求,且与经典BP神经网络及径向基函数神经网络相比较,具有更高的精度和稳定性。