基于Elman‑Adaboost强预测器的铁水硅含量预测方法.pdf
书生****ma
亲,该文档总共12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Elman-Adaboost模型的高炉铁水硅含量回归与分类预测研究的开题报告.docx
基于Elman-Adaboost模型的高炉铁水硅含量回归与分类预测研究的开题报告一、研究背景及意义高炉是炼铁的主要生产设备之一,铁水的加铁质量和硅含量是影响高炉冶炼质量的重要因素。随着社会经济的发展,高炉生产的要求也越来越高,准确预测铁水硅含量成为高炉冶炼过程中必不可少的一项工作。传统的预测方法如多元回归、人工神经网络等已经被广泛应用于工业中,但是这些方法对于数据的噪声敏感,不利于数据处理和分析。因此,建立一种准确且具有实用性的铁水硅含量预测模型是目前的研究热点之一。Adaboost算法是当前最常用的机器
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。
改进型EMD-Elman神经网络预测铁水硅含量的方法.pdf
本发明公开了一种改进型EMD-Elman神经网络预测铁水硅含量的方法,属于工业过程监控、建模和仿真领域。首先,采用经验模态分解将硅含量序列分解成有限个、相对平稳的本征模函数IMF和剩余分量;然后,分别对每个IMF和剩余分量建立Elman神经网络子模型;最后,将子模型的结果进行加权融合,并利用粒子群算法进行权值的寻优,最终获得硅含量的预测结果。本发明针对高炉炼铁过程的时变、非线性、多尺度、以及动态性等特征,充分考虑了不同尺度的特征对预测结果的影响;能够直接反映动态系统的特征的优势;为了降低噪声对预测结果的影
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