随着经济迅速发展和科学技术的不断进步,社会的各行业对板带钢的需求也日益增长,因此,对板带钢的质量要求也越来越高。板形作为检测板带钢质量的重要指标,如何科学地解决板形的问题也早已成为国内外专家研究的重要课题。本文以人工智能理论中神经网络作为研究基础,选择冷轧板带钢的板形缺陷识别作为研究课题。本文通过对冷轧带钢板形缺陷模式的分析,提出了一种基于Elman神经网络的板形识别方法。首先,本文详细分析了Elman神经网络的优缺点,对于该神经网络训练速度慢、存在早熟现象的缺陷,提出利用遗传算法对网络进行优化改进。本文进而分析了遗传算法的性能特点,发现遗传算法求解多峰非线性问题时,容易陷入局部极值和出现早熟收敛现象。为此,本文将人工免疫思想、自适应机制和混沌优化思想引入算法的进化过程,对种群个体进行免疫选择、自适应交叉、混沌变异,从而增强算法的全局搜索能力,提高算法搜索精度,实现对遗传算法的改进,进而提出了混沌免疫遗传优化算法。然后,本文采用此算法对Elman神经网络的初始权值和阈值参数进行优化,建立了一种改进Elman网络的板形缺陷识别模型,并利用若干组测试样本数据对该模型方法进行仿真实验。通过比较该模型和BP、Elman以及GA-Elman网络的仿真识别效果,证明了用混沌免疫遗传算法优化的Elman网络板形缺陷识别方法,解决了网络收敛速度慢、易早熟的问题,相比单纯采用遗传算法优化的网络模型具有更高的识别精度,识别速度更快,因此,该方法也对板形进行实时控制具有重大意义。