现代工业的发展对冷轧带钢生产提出了更高的要求,不断提高板材产品的板形质量成为现代高精度轧机必须解决的问题之一。因此,板形控制日益成为钢铁企业面临的重要课题,板形模式识别是板形控制的前提,为板形闭环控制系统的关键环节,也是板形控制研究的热点问题。近来,人工智能的方法以其在建模,优化和控制等方面所具有的强大功能在板形模式识别和控制领域得到了迅猛的发展。本文对国内外关于板形模式识别与控制方法的研究现状进行了综合分析,找出传统方法存在的不足,对板形模式识别与控制的智能方法进行了研究。首先,分析了现阶段神经网络板形模式识别模型存在的网络结构难以确定,学习时间长,易陷入局部极小值等问题,基于支持向量机(Support Vector Machines, SVM)与径向基(Radial Basis Function, RBF)网络的等价性,利用SVM回归训练确定RBF网络较优的初始参数,建立了基于SVM的RBF网络板形模式识别模型。其次,发现了以往板形模式识别方法中存在输入冗余的问题,利用板形基本模式的两两互反特性,将待识别样本与一对互反的基本模式的模糊距离之差作为RBF网络的输入,使网络的输入节点减半,进一步实现了板宽变化时网络结构的固定化和简单化,提高了板形模式识别的精度和速度。再次,分析了以往板形智能控制方法的局限性,提出了板形控制的动态矩阵方法,该方法考虑到生产的实时特性,建立了板形控制的预测模型,不断调整反应板形特征参数量与调节量之间数学关系的板形影响矩阵,实时为板形控制提供依据。最后,通过仿真实验对本文所提出的改进的基于SVM的RBF网络板形模式识别方法以及板形控制的动态矩阵方法进行了仿真验证。