《複雜系統FSR-FNN多模型分層自適應柔性計算》是依託濟南大學，由王焱擔任項目負責人的面上項目。
基本介紹
- 中文名：複雜系統FSR-FNN多模型分層自適應柔性計算
- 項目類別：面上項目
- 項目負責人：王焱
- 依託單位：濟南大學
項目摘要,結題摘要,
項目摘要
現代化工、鋼鐵等工業生產過程是一類典型的複雜系統，難以建立精確的數學模型。雖然智慧型計算的一些方法，如神經網路、遺傳算法和模糊系統等已部分套用於這類系統，但由於單個智慧型計算模型很難反映這類複雜系統的全貌，所以套用效果極其有限；傳統自適應技術及現有多模型自適應切換理論和方法也都存在一定缺陷。本項目利用粗糙集理論處理不確定性數據的突出優點和模糊神經網路強大的學習及非線性逼近能力，以軋鋼生產過程為背景，研究面向複雜系統的函式S-粗集-模糊神經網路多模型分層自適應切換柔性計算的新理論和新方法。設計合適的模型參數、結構與層次，快速、準確地實現複雜系統柔性建模和線上調整，以適應不同工況下模型參數的突變；進行算法及計算條件的研究，設計具有自適應特性的多模型分層柔性計算系統，研究模型分層切換技術及同時存在建模誤差和切換誤差時模型的柔性切換條件。項目研究成果有望廣泛套用於複雜非線性系統建模、預測與最佳化設計。
結題摘要
複雜工業生產過程如鋼鐵、化工等是一類典型的多變數、強耦合、大滯後、非線性系統，難以建立精確的數學模型。長期以來，軋鋼生產現場依據經驗及傳統機理模型進行建模。本項目以軋鋼生產過程為研究背景，利用粗糙集對海量數據的處理能力，研究了面向複雜系統的多模型分層自適應切換柔性計算理論和方法。對厚度、板形等模型參數、模型結構與模型層次進行了研究、設計，實現了這一複雜系統的柔性建模和部分參數線上調整，以適應多種不同工況下模型參數的突變。取得的主要成果如下： （1）雙隱層神經網路用於板形識別與控制 雙隱層BP網路是在三層前饋神經網路的基礎上，增加一個隱含層。隱含層節點的確定採用試差法，即當第一個隱層節點數增加到最大值同時網路誤差不會再減小時，增加第二個隱層，直至網路誤差達到最小，得到一個大小合適的神經網路模型。 （2）熱軋寬度智慧型控制方法研究；（3）對一般粗集進行了改進，給出了S-灰粗集的概念及其基本模型，在決策生成、信息獲取、知識發現等諸多領域有著非常高的套用價值； （4）利用雙隱層BP神經網路，對Sigmoid激活函式的形狀進行調節，有效提高了學習速度，改善了網路的泛化能力，為板帶負荷分配設定計算提供了一種新思路； （5）利用P-集合的動態特性，將P-集合與電力系統結合，給出電力系統規律生成、電力系統內嵌規律、外推規律生成方法，對電力系統可能出現的故障進行及時預警並排除，並可套用於類似領域。 （6）部分成果進行了現場實驗。
