摘要：为提高热连轧带钢精轧厚度预测精度，建立了通过深度置信网络(deepbeliefnetwork，简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM)，并且利用粒子群优化算法(particleswarmoptimization，简称PSO)优化最小二乘支持向量机(leastsquaressupportvectormachine，简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据，对所提出厚度预测模型进行训练和离线仿真。结果表明，基于DBN-LSS-VM的预测模型具有良好的学习能力和泛化性，DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高，该厚度预测模型在生产实践中具有很好的应用前景。关键词：热连轧；厚度预测；深度置信网络；最小二乘支持向量机；粒子群优化算法；深度学习下载高清全文——基于DBN_LSSVM的热连轧带钢厚度预测.pdf