买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京钢铁股份有限公司;安徽工业大学申请的专利一种基于K-means聚类算法的神经网络预报轧制力的预报方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114510864B 。

龙图腾网通过国家知识产权局官网在2025-05-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110641751.1，技术领域涉及：G06F30/27；该发明授权一种基于K-means聚类算法的神经网络预报轧制力的预报方法是由高国珺;李佑河;王萍;席波;叶金杰;黄贞益;黄华钦设计研发完成，并于2021-06-09向国家知识产权局提交的专利申请。

本一种基于K-means聚类算法的神经网络预报轧制力的预报方法在说明书摘要公布了：本发明公开了一种基于K‑means聚类算法的神经网络预报轧制力的预报方法。属于计算机技术领域，具体步骤：确定RBF神经网络的输入及输出层；估算非线性多层前向RBF神经网络输入、输出层和隐节点的节点个数；构成隐含层空间；确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展常数；训练人工神经网络，学习修正误差，完成人工神经网络构建；并采用此人工神经网络进行轧制力预设定以供生产使用。本发明相较于传统非线性多层前向神经网络运行速度快，模型易于维护，同时避免了依据设计者因个人经验而设定了不合适的神经网网络的隐含层数和隐含层结点数、定位不到准确的各基函数的数据中心等弊端,精度较高。

本发明授权一种基于K-means聚类算法的神经网络预报轧制力的预报方法在权利要求书中公布了：1.一种基于K-means聚类算法的神经网络预报轧制力的预报方法，其特征在于，其具体操作步骤如下：1.1、通过分析SIMS公式获取最具关联性的棒材热连轧轧制力影响因素，从而确定RBF神经网络的输入及输出层；对SIMS公式进行分析的具体过程是：对棒材轧机热轧轧制力模型SIMS公式进行分解；其中，所述SIMS公式是以奥罗万变形区内力平衡理论为基础，假设热轧时变形区内轧辊和轧件接触表面不产生相对滑动，所述SIMS公式的棒材轧机热轧轧制力模型采用以下基本形式：P＝BlcKQp1式1中：B表示轧件宽度；lc表示考虑压下后的接触弧水平投影长度；K表示变形抗力；Qp表示应力状态系数；其中，lc表示为： 式2中：Rc表示轧辊工作半径；Δh表示压下量；将式2代入式1中求解轧制压力P；引入轧辊半径R，避免计算时的迭代；其求解过程如下： 令μ＝KQp，将式3整理，从而得到：P2-0.22μ2BRP-μ2B2RΔh＝04由式4解的： 由式5可得μ、R、B和△h，即可求出轧制力P；另外，由于轧制时变形区内应力状态及其分布取决于变形区几何形状，故推导出的应力状态系数如下式所示： 式6中，ε表示压下率；h表示轧件轧制后高度；hy表示变形区内轧件瞬时平均高度；1.2、估算非线性多层前向RBF神经网络输入、输出层和隐节点的节点个数；其具体过程是：设置输入层的节点个数为N，设置非线性多层前向RBF神经网络隐节点数为M；单输出RBF神经网络输出节点置为1；为避免样本数P很大时求解网络的权值时产生病态问题；则选择建立广义RBF网络，用以减少隐节点的个数，即N＜M＜P；1.3、建立基于函数逼近与内插的径向基函数，从而构成隐含层空间；通过建立基于函数逼近与内插的径向基函数构成隐含层空间的具体过程是：在所述的非线性多层前向RBF神经网络中确定由N维输入空间到一维轧制力输出空间的映射；设N维空间有P个输入向量Xp，其中p＝1，2,…，P，其在输出空间相应的目标值为dp，p＝1，2，…，P，P对输入输出样本构成了训练样本集；满足插值条件的非线性映射函数FX如下式所示：FXp＝dp，p＝1,2…,P7式7中，函数F表示是一个插值曲面；此完全内插的插值曲面通过所有训练数据点；另外，采用径向基函数技术解决插值问题的具体操作方法是：选择P个基函数，使每一个基函数对应一个训练数据，各基函数的形式如下所示： 式8中，径向基函数表示非线性函数，训练数据点Xp表示的中心；基函数以输入空间的点X与中心Xp的距离作为函数的自变量；另外，建立基于函数逼近与内插的径向基函数中，其实现径向基函数的内插函数定义为基函数的线性组合： 将式7代入式9，得到P个关于未知系数ωp，p＝1,2…,P的线性方程组： 令i＝1,2…,P；n＝1,2…,P；则上述方程组可改写为： 令Φ表示元素为的PxP阶的插值矩阵，W和d分别表示系数向量和期望输出向量，将上式改写成向量形式ΦW＝d，变换形式即可解出系数向量W，即：W＝Φ-1d12式12中，所述插值矩阵Φ是可逆的，因为X1，X2，X3，…，Xp各不相同，则PxP阶的插值矩阵可逆；1.4、使用K-means自组织聚类算法为隐层节点的径向基函数确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展常数；使用K-means自组织聚类算法的操作步骤包括两个阶段：一、是自组织聚类方法为隐层节点的径向基函数确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展常数；二、为监督学习阶段，用有监督学习算法训练输出层权值，采用自适应动量梯度下降监督学习算法进行训练；其具体操作步骤如下：1.4.1、在聚类确定数据中心的位置之前，先估计中心的个数M；其通过试验决定，由于聚类得到的数据中心不直接是根据计算得到的轧制力样本数据Xp本身，故用ck表示第k次迭代时的中心；1.4.2、初始化选择M个互不相同向量作为初始聚类中心：c10，c20，…，cm0，选择时采用对各聚类中心向量赋小随机数的方法；1.4.3、计算输入空间各样本点与聚类中心点的欧式距离：||Xp-cjk||p＝1,2…,P；j＝1,2…,M；131.4.4、相似匹配,令j*代表竞争获胜隐节点的下标，对每一个轧制力影响因素输入样本Xp根据其与聚类中心的最小欧式距离确定其归类j*Xp，即当有如下等式时：j*Xp＝minj||Xp-cjk||p＝1,2…,P；14将Xp归为第j*类，从而将全部样本划分为M个子集：u1k，u2k，u3k，…，umk，每个子集构成一个以聚类中心为典型代表的聚类域；1.4.5、更新各类的聚类中心,采用竞争学习规则进行调整，即： 式15中，η表示学习率，且0η1；1.4.6、将k值加1，转到步骤第1.4.2；重复上述过程直到cj的改变量小于要求的值；各聚类中心确定后，根据各中心之间的距离确定对应径向基函数的扩展常数；令dj＝mini||cj-ci||，则得到扩展常数：δj＝λdj16式16中，λ表示重叠系数；1.4.7、利用K-means聚类算法得到各径向基函数的中心和扩展常数后，通过混合学习用有监督学习算法得到输出层的权值，采用LMS算法，用伪逆法直接计算；建立的非线性多层前向RBF神经网络模型是单输出轧制力的RBF神经网络，在输入Xp时，第j个隐节点的输出是p＝1,2…,P；j＝1,2…,M；则隐层输出矩阵为：若RBF网络的待定输出权值为W＝[w1,w2,…,wM]，则网络输出向量为：FX＝ΦW17令网络输出向量等于教师信号d，则式17中的Φ用其伪逆Φ+求出：W＝Φ+d18式18中的伪逆矩阵Φ+为：Φ+＝ΦTΦ-1ΦT19；1.5、训练人工神经网络，学习修正误差，从而完成人工神经网络构建；并采用此人工神经网络进行轧制力预设定以供生产使用；通过训练人工神经网络，学习修正误差，完成人工神经网络构建的具体过程是：针对数据中心的监督学习算法，对输出层各权向量赋小随机数并进行归一化处理，隐节点RBF函数的中心、扩展常数和输出层权值均采用监督学习算法进行训练，使用自适应动量梯度下降学习算法作为此RBF网络的监督学习算法；其定义目标函数为： 式20中，P表示训练样本数；ei表示输入第i个样本时的误差信号，其定义如下式所示： 式21的输出函数中忽略了阈值；为使目标函数最小化，各参数的修正量应与其负梯度成正比，具体算法为： 上述目标函数是所有训练样本引起的误差的总和，导出的参数修正公式是一种批处理式调整，即所有样本输入一轮后调整一次。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京钢铁股份有限公司;安徽工业大学，其通讯地址为：210044 江苏省南京市六合区卸甲甸；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。