

一种基于IPSO-HKELM的高炉铁水硅含量预测方法.pdf
猫巷****盟主
亲,该文档总共15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
一种高炉铁水硅含量在线预测方法.pdf
本发明提供一种高炉铁水硅含量在线预测方法,根据高炉硅元素传输机理,从高炉作业参数中选择影响铁水硅含量的参数作为预测模型的输入变量,采用皮尔森相关性分析方法确定输入变量与铁水硅含量之间的滞后时间,再对输入变量的样本数据和预测数据进行标准化处理,消除量纲不同对模型预测准确度的影响,采用核极限学习机对下一时刻的铁水硅含量进行预测,采用滑动窗更新的方法对训练集数据进行在线更新,引入遗传算法对核极限学习机模型的关键参数进行优化。本发明提供的在线预测方法适用于对高炉铁水硅含量进行长期在线预测,实际检测结果证明本发明提
一种基于IPSO-HKELM的高炉铁水硅含量预测方法.pdf
本发明属于工业过程监控技术领域,尤其涉及一种基于IPSO‑HKELM的高炉铁水硅含量预测方法。其技术要点如下,S1.获取高炉炼铁样本数据,其中,每个高炉炼铁样本数据中包含个特征;S2.将获取的高炉炼铁样本数据输入到铁水硅含量预测模型;S3.铁水硅含量预测模型根据输入的高炉炼铁样本数据输出铁水硅含量。本发明中基于IPSO‑HKELM的高炉铁水硅含量预测的方法,将核函数与传统的极限学习机相结合,提出一种核极限学习机模型,直接采用核函数代替隐含层节点的显示映射,无需给定隐含层节点数,然后用改进的粒子群算法优化核
一种基于IPSO-HKELM的高炉铁水硅含量预测的方法.pdf
一种基于IPSO‑HKELM的高炉铁水硅含量预测的方法,包括以下步骤:获取大量影响高炉铁水硅含量的高炉样本数据,因影响高炉铁水硅含量的输入变量包含m个特征;首先利用主成分分析(PCA)对多维输入变量进行降维,然后建立混合核极限学习机(HKELM)模型,混合核函数是由全局多项式核函数和局部高斯径向基核函数组成,并利用粒子群算法优化HKELM的核参数。同时,对于粒子群算法存在容易陷入局部最优的问题,对粒子群算法进行改进,最后建立了IPSO‑HKELM的高炉铁水硅含量预测模型。本发明提供的基于IPSO‑HKEL
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
一种基于SSA-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SSA‑SVR模型的高炉铁水硅含量预测方法,所述方法包括以下步骤:S1、对原始数据进行预处理;S2、经奇异谱分析/SSA方法进行数据降噪:将样本数据分解为独立的具有解释性的分量,包括趋势分量、波动分量和噪声分量,然后基于改进的奇异谱分析判决方法去除噪声分量,将趋势分量和波动分量重构为去噪数据集;S3、SVR建模与优化;S4、硅含量预测。本方法使得高炉铁水硅含量的预测更准确。