基于改进CS-SVR模型的高炉铁水硅含量预测方法.pdf
文宣****66
亲,该文档总共16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。
基于二维自注意力增强GRU模型高炉铁水硅含量预测方法.pdf
本发明公开了一种基于二维自注意力增强GRU模型高炉铁水硅含量预测方法,属于工业过程监控、建模和仿真领域。通过从真实的高炉生产数据中获取有效信息建立模型,实现铁水硅含量提前预测,指导后续生产操作。考虑高炉生产过程中各参数变量对产品铁水硅含量的影响大小不同且随时间动态变化,提出在GRU模型特征维度增加自注意力,获取各参数变量的动态权重;同时,考虑系统动态性以及大时滞问题,提出基于因果卷积的时间维度自注意力机制,实现高炉运行参数局部动态特征增强感知,以及运行参数同工艺指标的软对标;本发明方法对于具有大时滞、强动
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