一种基于多目标集成学习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CN111046612A(43)申请公布日2020.04.21(21)申请号201911118811.0(22)申请日2019.11.15(71)申请人东北大学地址110819辽宁省沈阳市和平区文化路3号巷11号(72)发明人王显鹏胡腾辉唐立新(74)专利代理机构沈阳东大知识产权代理有限公司21109代理人梁焱(51)Int.Cl.G06F30/27(2020.01)G06N3/12(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于多目标集成学习的高炉铁水硅含量预测方法(57)摘要本发明涉及钢铁企业自动化检测技术领域，提供一种基于多目标集成学习的高炉铁水硅含量预测方法。首先采集高炉检测参数和硅含量数据，构建初始样本集；然后对初始样本集进行数据预处理；接着，选取训练集、验证集，设置多目标离散差分进化算法各参数，初始化种群，将特征选择方案作为种群中的个体，构建并训练每个个体对应的高炉铁水硅含量预测的极限学习机模型，以最大化种群中个体的预测精度和个体相互之间的差异性为目标，基于多目标离散差分进化算法对种群进行更新，生成子学习机；最后，计算各子学习机的权重，利用权重对子学习机进行集成，得到集成学习机。本发明能够充分利用检测数据，提高高炉铁水硅含量预测的精度和鲁棒性。CN111046612ACN111046612A权利要求书1/2页1.一种基于多目标集成学习的高炉铁水硅含量预测方法，其特征在于，包括下述步骤：步骤1：构建初始样本集：以采样频率f1对高炉检测参数{x1,x2,...,xi,...,xm}进行采样，以采样频率f2对高炉出铁后的生铁进行采样并化验生铁中的硅含量，用本次生铁采样与上次生铁采样之间高炉检测参数xi的平均值作为本次生铁采样时高炉检测参数xi的值，选取采样时间内一段时间的硅含量数据及该硅含量数据对应的高炉检测参数数据构成初始样本集其中，xi为第i个高炉检测参数，i∈{1,2,...,m}，m为高炉检测参数的总数，yj为第j个初始样本中的硅含量，为第j个初始样本中的参数向量，yi-1为第j个初始样本的上次生铁采样时的硅含量，为第j个初始样本中的硅含量对应的高炉检测参数xi的值，n为初始样本总数；步骤2：对初始样本集进行数据预处理，得到预处理后的样本集为A＝{(xj,yj)|j∈{1,2,...,n}}；其中，xj＝(x1j,x2j,…,xij,…,xmj,yj-1)，xij为的预处理后的值；步骤3：基于极限学习机和多目标离散差分进化算法，将特征选择方案作为种群中的个体，通过种群更新生成子学习机：步骤3.1：从预处理后的样本集A中选取样本构成训练集、验证集；步骤3.2：设置多目标离散差分进化算法中的最大迭代次数L、种群规模N、变量个数M＝m、差分权重的均值F、交叉参数的均值Cr，并初始化迭代次数l＝1；步骤3.3：初始化种群：随机生成N个长度为M的二进制向量，将每个二进制向量作为一个个体，形成第l代种群；其中，每个二进制向量代表一种特征选择方案，二进制向量中每一位的取值为0或1，1代表选择该位对应的特征，0代表不选择该位对应的特征，二进制向量中的M位对应的特征分别为高炉检测参数x1、x2、...,xi、...、xm；步骤3.4：以最大化种群中个体的预测精度和个体相互之间的差异性为目标对种群进行更新：步骤3.4.1：对第l代种群中的每个个体执行变异、交叉操作，获得N个新个体，将N个新个体与第l代种群中的个体放入一个集合中，形成规模为2N的联合种群；步骤3.4.2：以联合种群中第k∈{1,2,...,2N}个个体对应的特征选择方案所选择的特征及上次生铁采样时的硅含量为输入、本次生铁采样时的硅含量为输出，构建高炉铁水硅含量预测的第k个极限学习机模型，并使用训练集对每个极限学习机模型进行训练；计算训练后的第k个极限学习机模型在验证集上的预测精度将预测精度HRk作为第k个个体的第一维目标函数值，并保存第k个极限学习机模型在验证集中第r个样本处*的Heaviside函数值Hkr；其中，N为验证集中的样本总数，为第k个极限学习机模型在验证集中第r个样本处对硅含量的预测值，yr为验证集中第r个样本中硅含量的真实值；步骤3.4.3：对联合种群中每两个个体对应的极限学习机模型在验证集中每一个样本处的Heaviside函数值进行比较，计算每个个体的PFC指标，作为个体的第二维目标函数值；2CN111046612A权利要求书2/2页步骤3.4.4：根据个体的第一维目标函数值和第二维目标函数值，基于NSGA-II算法中的快速非支配排序算法对联合种群进行排序，得到N个Pareto最优解作为第l+1代种群；步骤3.4.5：若l≥L，则将第l+1代种群中每个