基于改进CS-SVR模型的高炉铁水硅含量预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111680720A(43)申请公布日2020.09.18(21)申请号202010416730.5(22)申请日2020.05.18(71)申请人中南大学地址410083湖南省长沙市岳麓区麓山南路932号(72)发明人尹林子陈思蒋朝辉许雪梅(74)专利代理机构长沙智路知识产权代理事务所(普通合伙)43244代理人谢珍贵(51)Int.Cl.G06K9/62(2006.01)G06F17/18(2006.01)G06N3/00(2006.01)权利要求书3页说明书9页附图3页(54)发明名称基于改进CS-SVR模型的高炉铁水硅含量预测方法(57)摘要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，提高高炉铁水硅含量的预测结果的准确度。CN111680720ACN111680720A权利要求书1/3页1.基于改进CS-SVR模型的高炉铁水硅含量预测方法，其特征在于，所述方法包括以下步骤：S1、数据预处理并划分为训练集和测试集：选取决策属性数据即硅含量数据，及与硅含量相关的条件属性数据；S2、SVR建模：向支持向量机回归输入所述训练集，对模型进行训练，得到SVR预测模型，输入与硅含量相关的条件属性数据，输出硅含量数据；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：将步骤S3中所述的目标参数C和σ的最优解代入步骤S2中所述的SVR预测模型，对高炉铁水中的硅含量进行预测；步骤S3包括以下步骤：S3.1、初始化参数：设置迭代次数T，巢穴数量n，目标参数即惩罚参数C、高斯核函数的带宽σ的搜索可行范围[xmin，xmax]，并在搜索可行范围内随机初始化巢穴位置，表示第i个巢穴的第t次迭代的巢穴位置；0S3.2、将每个巢穴的参数代入所述SVR预测模型，计算每个巢穴的适应度值fi，i＝1,…,n，保存当前迭代即0迭代适应度值最小的巢穴的位置；所述适应度值计算公式为：表示第i个巢穴的第t迭代的适应度值，i＝1,…,n，表示训练集第I个根据条件属性数据输出的硅含量的预测值，随不同迭代的不同个巢穴的巢穴位置而变化，yI表示训练集第I个决策性数据，即硅含量的实际值，N为训练集个数；t′S3.3、第一次更新巢穴位置计算各个的适应度值fi，并与对应的上一迭代t-1t-1t′巢穴的适应度值fi对比，保存适应度值小的巢穴位置至下一迭代，即若fi<fi，则新巢穴否则新巢穴S3.4、判断步骤S3.3所述新巢穴中的目标参数是否超出对应的所述搜索可行范围[xmin，xmax]，若未超出，则进入步骤S3.5；若超出，则按下式处理得到新巢穴：其中，ρ为最大越界值，通过巢穴的概率分布函数确定参数A和B；S3.5、判断步骤S3.4所述新巢穴是否为“劣质”巢穴，若不是，则新巢穴若2CN111680720A权利要求书2/3页是，则第二次更新巢穴位置得到新巢穴S3.6、计算步骤S3.5所述新巢穴的适应度值，并将其与对应的更新前的巢穴的t′t适应度值进行对比，保存适应度值小的巢穴位置，即若fi<fi，则新巢穴否则新巢穴并保存当前迭代适应度值最小的巢穴的位置；S3.7、判断是否当前迭代t≥最大迭代次数T，若否，则返回到步骤S3.3，若是，则输出适应度值最小的巢穴位置，即为目标参数C和σ的最优解。2.根据权利要求1所述的基于改进CS-SVR模型的高炉铁水硅含量预测方法，其特征在于，步骤S1所述的数据预处理还包括对于数据中含有的缺失值采取人工筛选进行取值，不合理数据进行人工筛选删除，对数据进行归一化处理。3.根据权利要求1所述的基于改进CS-SVR模型的高炉铁水硅含量预测方法，其特征在于，步骤S1所述的与硅含量相关的条件属性数据采用粗糙集进行约简，所述的与硅含量相关的条件属性数据包括：富氧率，透气性指数，标准风速，鼓风动能，炉富煤气量，炉富煤气量指数，理论燃烧温度，冷风压力，热风压力，实际风速，以及热风温度。4.根据权利要求1所述的基于改进CS-SVR模型的高炉铁水硅含量预测方法，其特征在于，步骤S2所述的SVR预测模型为：其中，αI均为拉格朗日乘子，通过SMO算法求