---
---
---(點擊查看產品報價)
本文標題："表帶鋼軋制特征-軋機的微觀分析顯微鏡"
新聞來源：未知 發布時間：2017-4-7 0:02:30 本站主頁地址：http://www.pzfczx.com
“自組織圖(SOM)"是一種基于非監督性學習的神經網絡運算規
則。它不像監督學習方法，SOM可以在不知道輸人數據種類成員的
情況下使數據聚集。因此，它能夠用來找出存在于問題的特征。組
件平面上的圖形就是n維模型矢量的投影。在所有的圖形單元中，
每個組件的平面包括一個矢量部分的值。在熱軋情況下，測得的代
表帶鋼軋制特征的數據代表一個數據矢量。這些矢量的組件在帶鋼
間發生變化，組件的平面也可用于發現隱藏著的一致性，組件之間
的聯系可以看作與組件的位置具有相似的模式。模式的匹配可以像
人的眼睛一樣優越，同時它可以用規則圖形網格進一步得到加強。
在關聯搜尋中，使用組件的結合來找出有問題的組件，并進行進一
步的研究。SUM的一個優點是它不需要知道這些關系的特征。它也
可以是非線性的。相似的模式并不意味著他們有必然的聯系。它們
也有可能是被第三種因素導致的。然而，只有專家才能給出最終的
答案。
以SOM為基礎的數據采集的第一步是數據的儲存。從軋機上不
同層次的計算機控制中，不同的計算機上采集到數據，轉化為同一
種格式，為軋機的微觀模擬準備數據，同時也要去發現新的、隱藏
在帶鋼內技術參數和局部性質之間的相互依賴性，這個問題是典型
的數據儲存問題。這就意味著來源不同、收集時間不同、組織構成
不同(大多數是二進制代碼)的數據應該相互一致，同時被轉換成統
一的坐標系。
所有資料用于交流學習之用，如有版權問題請聯系，禁止復制,轉載注明地址
上海光學儀器一廠-專業顯微鏡制造商 提供最合理的顯微鏡價格
合作站點：http://www.sgaaa.com/顯微鏡百科