本发明属于计算机技术领域，尤其涉及一种基于多隐层极限学习机的热连轧轧制力预报方法。
背景技术
随着国家经济的不断繁荣发展和现代化进程的不断推进，对板带材的需求量越来越多，这就对板带材的生产技术提出更高的要求。在热连轧轧制生产过程中，影响带钢实际轧出厚度的主要因素是轧制力，轧制力计算的准确与否是实现精确在线控制的关键。传统的轧制力计算是由数学模型来进行的，由于数学模型的建立过程本身就忽略和简化了许多实际现场因素，因此单纯靠数学模型计算轧制力误差较大，不能满足日益精确的轧制要求。
上述缺陷是本领域技术人员期望克服的
技术实现要素：
(一)要解决的技术问题
针对现有存在的技术问题，本发明提供一种基于多隐层极限学习机预报热连轧轧制力的方法。此方法预测精度高，模型易维护，同时避免根据经验设定神经网络结构参数，精度高。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案如下：
一种基于多隐层极限学习机预报热连轧轧制力的方法，包括以下步骤：
获取影响热连轧轧制力数值的影响因素数据；
将获取的影响因素数据输入多隐层极限学习机预测模型；
所述多隐层极限学习机预测模型根据输入的影响因素数据输出热连轧轧制力的预测数值。
优选地，将获取的影响因素数据输入多隐层极限学习机预测模型之前，所述方法还包括：
采用多组现有的热连轧轧制力综合数据、遗传算法和粒子群优化算法，建立基于多隐层极限学习机神经网络的多隐层极限学习机预测模型。
优选地，所述方法还包括如下子步骤：
获取多组现有的热连轧轧制力综合数据，其中，每组热连轧轧制力综合数据中包括n个热连轧轧制力影响因素，需要预报的热连轧轧制力结果有m个，m，n均为大于1的整数；
设置多隐层极限学习神经网络输入输出层的节点参数，其中，设置输入层的节点个数为n，设置多层极限学习机输出层的节点为m；
将所述热连轧轧制力影响因素作为所述多隐层极限学习机神经网络的输入数据，将所述需要预测的热连轧轧制力结果作为所述多隐层极限学习机神经网络的输出数据；
使用遗传算法确定多隐层极限学习机神经网络的最优隐含层数和最优隐含层结点数；
使用粒子群优化算法得到的所述多隐层极限学习机神经网络的最优权重矩阵和最优偏置向量；
将确定的最优隐含层数设定为所述多隐层极限学习机神经网络的隐含层数；
将确定的最优隐含层结点数设置为所述多隐层极限神经网络的隐含层结点数；
将得到的最优权重矩阵设置为所述多隐层极限学习机神经网络的权重矩阵；
将得到的最优偏置向量设置为所述多隐层极限学习机神经网络的偏置向量；
获得的多隐层极限学习机神经网络即为所述多隐层极限学习机预测模型。
优选地，使用遗传算法得到所述多隐层极限学习机的最优隐含层层数和最优隐含层结点数时，先获得单隐层极限学习机在不同隐层结点下的最优权重矩阵和最优偏置向量，再采用二进制编码方式，根据不同隐含层数和不同隐含层结点数的组合，计算出预测误差，根据预测误差，选出最优隐含层数和最优隐含层结点数。
优选地，在使用粒子群优化算法获得所述多隐层极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中，粒子每次更新之后，按照设定的概率重新初始化粒子。
优选地，所述多隐层极限学习机神经网络采用hyperbolictangent函数作为激活函数。
(三)有益效果
本发明提供的一种基于多隐层极限学习机的热连轧轧制力预报方法，对多隐层极限学习机神经网络采用遗传算法和粒子群优化算法优化后，具有最优隐含层层数和最优隐含层结点数，以及最优权重矩阵和最优偏置向量的极限学习机神经网络对影响热连轧轧制力预报因素的数据进行处理，得到轧制力的预报结果，避免了设计者经验因素设定神经网络结构参数，最终获得的预测精度高。
附图说明
图1为本发明一种基于多隐层极限学习机的热连轧轧制力预报方法的流程示意图；
图2为两个隐含层elm算法流程示意图。
图3为使用遗传算法优化elm结构示意图。
图4为本发明实施例的基于影响热连轧轧制力预报因素的数据对热连轧轧制力预报的方法中建立预报模型的方法示意图。
图5为本发明一实施例中测试数据的热连轧轧制力预报数据与热连轧轧制力的实际规定数据的散点图分布。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示：本实施例公开了一种基于多隐层极限学习机的热连轧轧制力预报方法，包括以下步骤：
获取影响热连轧轧制力数值的影响因素数据；
将获取的影响因素数据输入多隐层极限学习机预测模型；
所述多隐层极限学习机预测模型根据输入的影响因素数据输出热连轧轧制力的预测数值。
本发明实施例中公开的一种基于多隐层极限学习机的热连轧轧制力预报方法，通过使用建立好的多隐层极限学习机预测模型对影响热连轧轧制力数值的影响因素数据进行处理，获得影响因素数据所对应的热连轧轧制力的结果数值。
其中，这里所述的多隐层极限学习机预测模型为预先采用多组现有的热连轧轧制力综合数据、遗传算法和粒子群优化算法，建立基于多隐层极限学习机神经网络的多隐层极限学习机预测模型。
这里还提供上述方法中所述的多隐层极限学习机预测模型的建立方法，具体包括如下步骤：
获取多组现有的热连轧轧制力综合数据，其中，每组热连轧轧制力综合数据中包括n个热连轧轧制力影响因素，需要预报的热连轧轧制力结果有m个，m，n均为大于1的整数；
设置多隐层极限学习神经网络输入输出层的节点参数，其中，设置输入层的节点个数为n，设置多层极限学习机输出层的节点为m；
将所述热连轧轧制力影响因素作为所述多隐层极限学习机神经网络的输入数据，将所述需要预测的热连轧轧制力结果作为所述多隐层极限学习机神经网络的输出数据；
使用遗传算法确定多隐层极限学习机神经网络的最优隐含层数和最优隐含层结点数；
使用粒子群优化算法得到的所述多隐层极限学习机神经网络的最优权重矩阵和最优偏置向量；
将确定的最优隐含层数设定为所述多隐层极限学习机神经网络的隐含层数；
将确定的最优隐含层结点数设置为所述多隐层极限学习机神经网络的隐含层结点数；
将得到的最优权重矩阵设置为所述多隐层极限学习机神经网络的权重矩阵；
将得到的最优偏置向量设置为所述多隐层极限学习机神经网络的偏置向量；
获得的多隐层极限学习机神经网络即为所述多隐层极限学习机预测模型。
本实施例中使用遗传算法得到所述多隐层极限学习机神经网络的最优隐含层层数和最优隐含层结点数时，先获得单隐层极限学习机在不同隐层结点下的最优权重矩阵和最优偏置向量，再采用二进制编码方式，根据不同隐含层数和不同隐含层结点数的组合，计算出预测误差，根据预测误差，选出最优隐含层数和最优隐含层结点数。
另外需要说明的是：在使用粒子群优化算法获得所述多隐层极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中，粒子每次更新之后，按照设定的概率重新初始化粒子。
本实施例中所述多隐层极限学习机神经网络采用hyperbolictangent函数作为激活函数。
但是，获取多组待预测数据可以在建立基于多隐层极限学习机神经网络的轧制力预报模型的步骤之前，或者之后。
具体地，获取多组已知轧制力的综合数据在建立基于多隐层极限学习机神经网络热连轧轧制力预报模型的步骤之前，适应于模型建立阶段。
具体地，将已知轧制力的综合数据均匀的选择出一部分作为建立模型的训练样本，将其余的样本作为验证模型的验证样本。
具体地，获取多组待预测的数据在建立基于多隐层极限学习机神经网络的热连轧轧制力预报模型的步骤之后，适应于在模型建立之后使用模型进行热连轧轧制力预报阶段。
具体地，在建立基于多隐层极限学习机神经网络的热连轧轧制力预报模型之后，对获得需要预报热连扎轧制力的数据，采用建立的多隐层极限学习机预测模型处理这些待预报数据，获得预测的轧制力数值。
经过前述的训练步骤和验证步骤，预报轧制力的准确率较高，可以满足生产实际的需要。
具体地，极限学习机(extremelearningmachine，以下简称elm)神经网络是一个单隐含层的前馈神经网络，其优点在于网络训练速度非常快，拟合精度高，泛化性能好。但是单层极限学习机神经网络网络结构是由设计者根据自己的实践经验进行确定的，这个经验性的选择不是最合理且最优的，实际应用过程中需要进行多次试验，选取最优的网络模型，增加了人工量，还耗时，而且极限学习机的参数是随机初始化的，导致部分权值和偏差未达到最优状态。
而遗传算法(geneticalgorithms，以下简称ga)和粒子群优化(particleswarmoptimization，以下简称pso)算法均为全局优化算法，因此将遗传算法，极限学习机神经网络和粒子群优化算法结合起来，克服他们各自的缺点，充分利用其优点，使用遗传算法对多隐层极限学习机的隐含层层数和隐含层结点数进行全局优化，利用粒子群算法对极限学习机神经网络的权重矩阵和偏置向量进行全局优化，获得具有最优隐含层层数和最优隐含层结点数，最优权重矩阵和最优偏置矩阵的多隐层极限学习机神经网络可用于预报热连扎轧制力。
极限学习机神经网络
对于样本量为n的样本(xi，ti)，其中xi＝[xi1，xi2，xi3，...，xin]t∈rn，
ti＝[ti1，ti2，...，tim]t∈rm，那么标准的l个隐含层神经元的单隐层前馈神经网络为：
这里，ai＝[ai1，ai2，...，ain]t∈rn表示输入层神经元和隐含层第i个神经元之间的输入权值了；βi为输出权值，bi为偏置；ai·xj表示ai和xj的内积。则elm的目标函数可以另一种方式表达为：
hβ＝t(2)
这里：
β＝[β1，...，βl]t，t＝[t1，...，tl]t(4)
h是神经网络的隐含层输出的矩阵；t是期望输出。huang教授的算法是随机选择输入权值和隐含层偏差值，训练这个网络结构相当于求解线性系统hβ＝t的最小二乘解
minimize：||hβ-t||(5)
最后huang教授已经证明该线性系统最小二乘解的最小值是：
这里：h+是h的moore-penrose广义逆矩阵，并且hβ＝t的解是唯一的。
多隐层极限学习机神经网络
如图2所示：对于样本量为n的样本(xi，ti)，其中
xi＝[xi1，xi2，xi3，...，xin]t∈rn，ti＝[ti1，ti2，...，tim]t∈rm，且所有隐含层都具有相同的隐含层结点数目和激活函数，本文以双隐含层elm(telm)神经网络为例做简要介绍，先把它的两个隐含层看成是含有单隐含层的elm，这样就可以求出隐含层的输出为
h＝wx+b(7)
h为隐含层输出矩阵，w为输入层与隐含层的权值矩阵，b为偏置矩阵，由式(6)可求出隐含层与输出层之间的权值矩阵β，现在将第二个隐含层加入到elm神经网络中，恢复两个隐含层的神经网络结构，我们可以得到第二个隐含层的预测输出为
h1＝g(w1h+b1)(8)
w1为第一个隐含层与第二个隐含层之间的权重矩阵，b1为第二个隐含层的偏置向量，而第二个隐含层的期望输出为h1*＝tβ+(9)
为满足预测输出无穷接近于期望输出，使得h1*＝h1，设whe＝[b1w1]，即可求得
当第二个隐含层的权值矩阵和偏置向量全部求解过后，可更新第二个隐含层的预测输出为：
h2＝g(w1h+b1)＝g(whehe)(11)
因此，隐含层输出矩阵β可更新为：
可得到最终的神经网络输出f(x)为
f(x)＝h2βnew(13)
遗传算法
遗传算法是由holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机最优化方法，染色体的编码方式主要包括二进制发、实数法等，它主要通过选择、交叉和变异对个体进行筛选，保留适应度好的个体，ga算法具有高效启发式搜索，并行计算，容易实现，适用范围广等优点，所以在优化问题上获得了普遍应用。遗传算法的实现过程如下：每一条染色体被看成一个粒子，选择操作是指通过计算不同染色体的适应度值，根据轮盘赌法，从旧群体中以一定概率选择个体到新群体中；交叉操作是指从群体中选择两个染色体，随机选择一点或多点染色体位置进行交换；变异操作是指从群体中任选一个个体，选择染色体中的一点进行变异已产生更优秀的个体。在现有的研究中，elm的隐含层结点数都是根据设计者的经验确定的，不一定为最优，本发明中，应用遗传算法的二进制编码方式，对多隐层极限学习机神经网络的隐含层层数和隐含层结点数进行了优化，具体地，所述方法中，在使用遗传算法得到所述多隐层极限学习机神经网络的最优隐含层层数和隐含层结点数时，先随机产生隐含层数和隐含层结点数，构建多隐层极限学习机神经网络，计算个体的适应度值，通过选择、交叉、变异操作，获得最优的隐含层层数和最优的隐含层结点数的组合。
粒子群优化算法
粒子群是由kennedy和eberhart提出的一种全局优化算法，研究思想启发来自鱼群和鸟群觅食行为。由于pso算法结构简单，易实现，功能强大等，所以在优化问题上获得了普遍应用。粒子群优化算法实验过程如下：在一个鸟群里，每一只鸟被看成一个粒子，它们有相应的速度vi＝(vi1，vi2，...，vid)和位置xi＝(xi1，xi2，...，xid)其中i＝1，2，3，…，m。在每一代中，其粒子群通过如下公式(14)和(15)不断更新位置，以找出最优位置，并记录下来。
这里，pbesti＝(pbesti1，pbesti2，...，pbestid)是粒子本身经历的最优位置；gbesti＝(gbesti1，gbesti2，...，gbestid)是全体种群中经过的最优位置，i＝1，2，…，m；k是当前迭代次数；w是惯性权重；c1，c2是加速系数；r1，r2是在[0,1]上的均匀分布随机函数。现有的pso算法，存在着早熟收敛，搜索精度较低，后期迭代效率不高等缺点，这里借鉴遗传算法的变异思想，在pso算法中引入变异操作，在粒子每次更新之后，以一定概率重新初始化粒子。
具体地，获得数据134组，其中选取100组作为训练数据，34组作为测试数据。采用100组训练数据建立具有最优隐含层数和隐含层结点数，最优权重矩阵和最优偏置向量的多隐层极限学习机神经网络预测模型。如图3，图4所示，本发明实施例的基于多隐层极限学习机的热连轧轧制力预报方法中建立多隐层极限学习机预测模型的方法。
步骤如下：
(1)初始化遗传算法，ga选择迭代次数为100，染色体数量为20，交叉概率为0.4，变异概率为0.2，编码长度为9；选择hyperbolictangent函数作为elm神经网络激活函数。
(2)将包含热连轧轧制力预报影响因素的数据输入给elm神经网络，使用elm算法对包括热连轧轧制力预报的影响因素的数据训练，验证ga的适应度值，对适应度值进行判断，然后保存最优值；
(3)当网络达到最大迭代次数时就退出寻优，这时的多隐层极限学习机就具有最优隐含层数和最优隐含层结点数；
(4)初始化pso，选择迭代次数为200，粒子群数量为30；
(5)使用已经确定最优结构的多隐层elm神经网络对包含热连轧轧制力预报的影响因素的数据训练，验证pso的适应度值，对适应度值进行判断，依据式(14)(15)，对粒子的速度和位置进行更新，根据设定的概率，重新初始化部分粒子，然后保存最优值和pso的速度和位置。
(6)当网络达到最大迭代次数时退出寻优，这时的多隐层极限学习机神经网络具有最优权重矩阵和最优偏置向量。
利用该热连轧轧制力预报模型处理34组测试数据，得到的预报结果如图5所示。
如图5所示，利用该预报模型来处理34组测试数据中，每组轧制力的预报值都与设定值达到了较好的拟合。
综上所述，与传统预报热连轧轧制力的方法相比，本发明实施例基于多隐层极限学习机神经网络的预报方法，在预报热连轧轧制力时准确高效。本发明实施例的基于多隐层极限学习机神经网络的热连轧轧制力预报方法，可以在速度，准确性具有无比的优势和重要实际应用价值。
最后应说明的是，以上所述的各实施例仅限于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不会使相应技术方案的本质脱离本发明个实施例技术方案的范围。