(Convolutional Neural Networks-Long Short Term Memory,CNN-LSTM)24-2模型是目前具有较高的分 类精度的算法，广泛应用于数据预测和数据分类。实验结果如下表3所示： 表3不同标签占比下不同神经网络分类精度 Table 3 Classification accuracy of different neural networks under different tag proportions Model 1% 2% 5% 6% 10% 33% 50% BP 64.20% 71.60% 77.80% 80.80% 89.40% 91.40% 92.00% DBP 69.80% 69.00% 75.60% 81.20% 84.20% 91.20% 92.60% DBN 65.40% 77.60% 77.20% 81.20% 89.40% 91.40% 91.60% LSTM 73.20% 74.60% 78.00% 84.80% 93.80% CNN-LSTM 78.80% 80.20% 87.40% 89.80% 94.40% Improved-DAE 75.75% 81.20% 83.60% 83.20% 89.70% 乳叹% 93.80% 深度学习LSTM模型和CNN+LSTM模型在标签占比只有1%和2%情况不并不具备分类能力。 结果显示，与其他分类模型相比，本文提出的改进降噪自编码器模型在标签占化较小的情况下，即 半监督条件下对数据的分类更加准确，相比其他算法， 识别准确率高5% 0%: 在标签数量增多 时，即监督条件下对数据的分类同样拥有较高的准确率，达到93.8Q%。 3.4现场实验 针对国内某2032热连轧生产线出现的批量厚度控制精度问题，用提出的模型对其成因进行实验。 该热轧产线出现的批量厚度控制精度问题，主要表现在 带钢头部厚度命中率过低，带钢本体厚 度波动较为明显。粗轧出口实测温度如图8所示， 精轧出 测厚度如图9所示： 1055 1050 1045 C 040 050 1035 1040 1030 s心得高件， 1025 1030 1020 1020 1015 101 1010 0 10152025 30 35 4045 Lenth /m (b) 轧出口温度数据：(a)带钢头部温度：(b)带钢全长温度 ugh rolling delivery temperature(a)temperature of strip head:(b)total strip temperature 5.2 Measured thickness -Measured thickness Setting thickness Setting thickness 515 5.1 25.05 5.05 4.95 4.95 20 40 60 100 0 50100150200250300350400450 Lenth /m Lenth /m a (b)(Convolutional Neural Networks-Long Short Term Memory, CNN-LSTM) [24-27]模型是目前具有较高的分 类精度的算法，广泛应用于数据预测和数据分类。实验结果如下表 3 所示： 表 3 不同标签占比下不同神经网络分类精度 Table 3 Classification accuracy of different neural networks under different tag proportions Model 1 % 2 % 5 % 6 % 10 % 33 % 50 % BP 64.20 % 71.60 % 77.80 % 80.80 % 89.40 % 91.40 % 92.00 % DBP 69.80 % 69.00 % 75.60 % 81.20 % 84.20 % 91.20 % 92.60 % DBN 65.40 % 77.60 % 77.20 % 81.20 % 89.40 % 91.40 % 91.60 % LSTM _ _ 73.20 % 74.60 % 78.00 % 84.80 % 93.80 % CNN-LSTM _ _ 78.80 % 80.20 % 87.40 % 89.80 % 94.40 % Improved-DAE 75.75 % 81.20 % 83.60 % 83.20 % 89.70 % 91.60 % 93.80 % 深度学习 LSTM 模型和 CNN+LSTM 模型在标签占比只有 1 %和 2 %情况下并不具备分类能力。 结果显示，与其他分类模型相比，本文提出的改进降噪自编码器模型在标签占比较小的情况下，即 半监督条件下对数据的分类更加准确，相比其他算法，识别准确率高 5 %-10 %；在标签数量增多 时，即监督条件下对数据的分类同样拥有较高的准确率，达到 93.80 %。 3.4 现场实验 针对国内某 2032 热连轧生产线出现的批量厚度控制精度问题，用提出的模型对其成因进行实验。 该热轧产线出现的批量厚度控制精度问题，主要表现在带钢头部厚度命中率过低，带钢本体厚 度波动较为明显。粗轧出口实测温度如图 8 所示，精轧出口实测厚度如图 9 所示： 图 8 粗轧出口温度数据：(a)带钢头部温度；(b)带钢全长温度 Fig.8 Measured data of rough rolling delivery temperature(a) temperature of strip head; (b) total strip temperature 录用稿件，非最终出版稿