買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜南京鋼鐵股份有限公司;安徽工業大學申請的專利一種基于K-means聚類算法的神經網絡預報軋制力的預報方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114510864B 。

龍圖騰網通過國家知識產權局官網在2025-05-30發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202110641751.1，技術領域涉及：G06F30/27；該發明授權一種基于K-means聚類算法的神經網絡預報軋制力的預報方法是由高國珺;李佑河;王萍;席波;葉金杰;黃貞益;黃華欽設計研發完成，并于2021-06-09向國家知識產權局提交的專利申請。

本一種基于K-means聚類算法的神經網絡預報軋制力的預報方法在說明書摘要公布了：本發明公開了一種基于K?means聚類算法的神經網絡預報軋制力的預報方法。屬于計算機技術領域，具體步驟：確定RBF神經網絡的輸入及輸出層；估算非線性多層前向RBF神經網絡輸入、輸出層和隱節點的節點個數；構成隱含層空間；確定合適的數據中心，并根據各中心之間的距離確定隱節點的擴展常數；訓練人工神經網絡，學習修正誤差，完成人工神經網絡構建；并采用此人工神經網絡進行軋制力預設定以供生產使用。本發明相較于傳統非線性多層前向神經網絡運行速度快，模型易于維護，同時避免了依據設計者因個人經驗而設定了不合適的神經網網絡的隱含層數和隱含層結點數、定位不到準確的各基函數的數據中心等弊端,精度較高。

本發明授權一種基于K-means聚類算法的神經網絡預報軋制力的預報方法在權利要求書中公布了：1.一種基于K-means聚類算法的神經網絡預報軋制力的預報方法，其特征在于，其具體操作步驟如下：1.1、通過分析SIMS公式獲取最具關聯性的棒材熱連軋軋制力影響因素，從而確定RBF神經網絡的輸入及輸出層；對SIMS公式進行分析的具體過程是：對棒材軋機熱軋軋制力模型SIMS公式進行分解；其中，所述SIMS公式是以奧羅萬變形區內力平衡理論為基礎，假設熱軋時變形區內軋輥和軋件接觸表面不產生相對滑動，所述SIMS公式的棒材軋機熱軋軋制力模型采用以下基本形式：P＝BlcKQp1式1中：B表示軋件寬度；lc表示考慮壓下后的接觸弧水平投影長度；K表示變形抗力；Qp表示應力狀態系數；其中，lc表示為： 式2中：Rc表示軋輥工作半徑；Δh表示壓下量；將式2代入式1中求解軋制壓力P；引入軋輥半徑R，避免計算時的迭代；其求解過程如下： 令μ＝KQp，將式3整理，從而得到：P2-0.22μ2BRP-μ2B2RΔh＝04由式4解的： 由式5可得μ、R、B和△h，即可求出軋制力P；另外，由于軋制時變形區內應力狀態及其分布取決于變形區幾何形狀，故推導出的應力狀態系數如下式所示： 式6中，ε表示壓下率；h表示軋件軋制后高度；hy表示變形區內軋件瞬時平均高度；1.2、估算非線性多層前向RBF神經網絡輸入、輸出層和隱節點的節點個數；其具體過程是：設置輸入層的節點個數為N，設置非線性多層前向RBF神經網絡隱節點數為M；單輸出RBF神經網絡輸出節點置為1；為避免樣本數P很大時求解網絡的權值時產生病態問題；則選擇建立廣義RBF網絡，用以減少隱節點的個數，即N＜M＜P；1.3、建立基于函數逼近與內插的徑向基函數，從而構成隱含層空間；通過建立基于函數逼近與內插的徑向基函數構成隱含層空間的具體過程是：在所述的非線性多層前向RBF神經網絡中確定由N維輸入空間到一維軋制力輸出空間的映射；設N維空間有P個輸入向量Xp，其中p＝1，2,…，P，其在輸出空間相應的目標值為dp，p＝1，2，…，P，P對輸入輸出樣本構成了訓練樣本集；滿足插值條件的非線性映射函數FX如下式所示：FXp＝dp，p＝1,2…,P7式7中，函數F表示是一個插值曲面；此完全內插的插值曲面通過所有訓練數據點；另外，采用徑向基函數技術解決插值問題的具體操作方法是：選擇P個基函數，使每一個基函數對應一個訓練數據，各基函數的形式如下所示： 式8中，徑向基函數表示非線性函數，訓練數據點Xp表示的中心；基函數以輸入空間的點X與中心Xp的距離作為函數的自變量；另外，建立基于函數逼近與內插的徑向基函數中，其實現徑向基函數的內插函數定義為基函數的線性組合： 將式7代入式9，得到P個關于未知系數ωp，p＝1,2…,P的線性方程組： 令i＝1,2…,P；n＝1,2…,P；則上述方程組可改寫為： 令Φ表示元素為的PxP階的插值矩陣，W和d分別表示系數向量和期望輸出向量，將上式改寫成向量形式ΦW＝d，變換形式即可解出系數向量W，即：W＝Φ-1d12式12中，所述插值矩陣Φ是可逆的，因為X1，X2，X3，…，Xp各不相同，則PxP階的插值矩陣可逆；1.4、使用K-means自組織聚類算法為隱層節點的徑向基函數確定合適的數據中心，并根據各中心之間的距離確定隱節點的擴展常數；使用K-means自組織聚類算法的操作步驟包括兩個階段：一、是自組織聚類方法為隱層節點的徑向基函數確定合適的數據中心，并根據各中心之間的距離確定隱節點的擴展常數；二、為監督學習階段，用有監督學習算法訓練輸出層權值，采用自適應動量梯度下降監督學習算法進行訓練；其具體操作步驟如下：1.4.1、在聚類確定數據中心的位置之前，先估計中心的個數M；其通過試驗決定，由于聚類得到的數據中心不直接是根據計算得到的軋制力樣本數據Xp本身，故用ck表示第k次迭代時的中心；1.4.2、初始化選擇M個互不相同向量作為初始聚類中心：c10，c20，…，cm0，選擇時采用對各聚類中心向量賦小隨機數的方法；1.4.3、計算輸入空間各樣本點與聚類中心點的歐式距離：||Xp-cjk||p＝1,2…,P；j＝1,2…,M；131.4.4、相似匹配,令j*代表競爭獲勝隱節點的下標，對每一個軋制力影響因素輸入樣本Xp根據其與聚類中心的最小歐式距離確定其歸類j*Xp，即當有如下等式時：j*Xp＝minj||Xp-cjk||p＝1,2…,P；14將Xp歸為第j*類，從而將全部樣本劃分為M個子集：u1k，u2k，u3k，…，umk，每個子集構成一個以聚類中心為典型代表的聚類域；1.4.5、更新各類的聚類中心,采用競爭學習規則進行調整，即： 式15中，η表示學習率，且0η1；1.4.6、將k值加1，轉到步驟第1.4.2；重復上述過程直到cj的改變量小于要求的值；各聚類中心確定后，根據各中心之間的距離確定對應徑向基函數的擴展常數；令dj＝mini||cj-ci||，則得到擴展常數：δj＝λdj16式16中，λ表示重疊系數；1.4.7、利用K-means聚類算法得到各徑向基函數的中心和擴展常數后，通過混合學習用有監督學習算法得到輸出層的權值，采用LMS算法，用偽逆法直接計算；建立的非線性多層前向RBF神經網絡模型是單輸出軋制力的RBF神經網絡，在輸入Xp時，第j個隱節點的輸出是p＝1,2…,P；j＝1,2…,M；則隱層輸出矩陣為：若RBF網絡的待定輸出權值為W＝[w1,w2,…,wM]，則網絡輸出向量為：FX＝ΦW17令網絡輸出向量等于教師信號d，則式17中的Φ用其偽逆Φ+求出：W＝Φ+d18式18中的偽逆矩陣Φ+為：Φ+＝ΦTΦ-1ΦT19；1.5、訓練人工神經網絡，學習修正誤差，從而完成人工神經網絡構建；并采用此人工神經網絡進行軋制力預設定以供生產使用；通過訓練人工神經網絡，學習修正誤差，完成人工神經網絡構建的具體過程是：針對數據中心的監督學習算法，對輸出層各權向量賦小隨機數并進行歸一化處理，隱節點RBF函數的中心、擴展常數和輸出層權值均采用監督學習算法進行訓練，使用自適應動量梯度下降學習算法作為此RBF網絡的監督學習算法；其定義目標函數為： 式20中，P表示訓練樣本數；ei表示輸入第i個樣本時的誤差信號，其定義如下式所示： 式21的輸出函數中忽略了閾值；為使目標函數最小化，各參數的修正量應與其負梯度成正比，具體算法為： 上述目標函數是所有訓練樣本引起的誤差的總和，導出的參數修正公式是一種批處理式調整，即所有樣本輸入一輪后調整一次。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京鋼鐵股份有限公司;安徽工業大學，其通訊地址為：210044 江蘇省南京市六合區卸甲甸；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。