基于TD-LightGBM的铁水硅含量预测方法.pdf
雅云****彩妍
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于TD-LightGBM的铁水硅含量预测方法.pdf
本发明公开了基于TD‑LightGBM的铁水硅含量预测方法,属于工业过程监控技术领域。所述方法包括:首先,利用轻量化梯度促进机的决策树模型结构按照特征被用于分割训练数据的次数评判该特征重要性;然后,结合时间差分算法建立动态特征提取模型;最后,采用局部加权算法根据样本间的欧氏距离建立局部模型。基于该模型进行炼铁过程中铁水硅含量的预测,可以有效地去除高炉环境参数中的冗余项和漂移相,相比于现有的铁水中硅含量预测方案,本发明进一步提高了预测的准确性。
基于Elman‑Adaboost强预测器的铁水硅含量预测方法.pdf
本发明公开了一种基于Elman‑Adaboost强预测器的铁水硅含量预测方法,属于工业过程监控、建模和仿真领域。首先,选择合适的输入变量,归一化后作为K个弱预测器的输入;其次,确定训练样本的初始权值;然后,分别进行K个弱预测器的训练,并根据其训练结果更新样本的权值,反复训练;最后,计算弱预测器的权重,融合多个弱预测器以得到强预测器的预测结果。高炉炼铁过程的动态性使铁水硅含量的预测精度不高,本发明针对这一问题,选择动态性能较好的Elman神经网络作为弱预测器,并通过Adaboost算法融合多个弱预测器以得到
基于GA-XGBoost模型的高炉铁水硅含量预测方法.pdf
一种基于GA‑XGBoost模型的高炉铁水硅含量预测方法,包括以下步骤:①采集高炉的历史冶炼数据;②对数据集进行标准化;③将数据划分为不同的簇;④将相关系数大于设定值的特征变量剔除,并将数据划分为训练集和测试集;⑤利用训练集中的数据对GA‑XGBoost模型进行训练;⑥利用测试集中的数据对训练好的GA‑XGBoost模型进行测试;⑦利用测试合格的GA‑XGBoost模型对高炉铁水硅含量预测。本发明在XGBoost算法的基础上利用遗传算法进行优化和改进,并在预测之前通过KMeans++算法将预测数据集分割为
基于改进CS-SVR模型的高炉铁水硅含量预测方法.pdf
本发明公开了一种基于改进CS‑SVR模型的高炉铁水硅含量预测方法,所述方法包括:S1、数据预处理并划分为训练集和测试集;S2、SVR建模;S3:SVR参数优化:利用改进的布谷鸟搜索算法对支持向量机回归中的惩罚参数C以及高斯核函数的带宽σ进行优化,得到目标参数C和σ的最优解;S4、硅含量预测:将所述目标参数C和σ的最优解代入所述的SVR模型,对高炉铁水中的硅含量进行预测。本发明通过改进的布谷鸟搜索算法对支持向量机回归中的惩罚参数C以及高斯核函数的带宽σ进行优化,建立更精确的支持向量机回归模型,提高高炉铁水硅
基于多目标规划理论预测高炉铁水硅含量.docx
基于多目标规划理论预测高炉铁水硅含量黄海燕曹东明李自创摘要:本文研究的是高炉铁水硅含量问题。通过数据可知这是一类多元非线性回归问题。我们运用多目标规划理论建立相应的数学模型得到铁水硅含量与各参数间的关系。首先从给定的大量数据(实测数据)中筛选出与高炉铁水硅含量有密切联系的三个参数铁水温度、铁量差、料速。此外对铁水硅含量有影响的还有透气性指数、风温、风量由于各参数间息息相关我们首先建立多目标规划模型得到铁量差、料速和铁水温度与