改进型EMD-Elman神经网络预测铁水硅含量的方法.pdf
灵慧****89
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
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。
基于滑动窗口T‑S模糊神经网络模型的铁水硅含量预测方法.pdf
本发明公开了一种基于滑动窗口T‑S模糊神经网络模型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,选取T‑S模糊神经网络作为预测的基础模型;其次,在这个神经网络的基础上增加了滑动窗口模型,可以不断地更新训练样本集,以便更好的跟踪硅含量的变化趋势;然后根据实际经验和互信息计算选取了11个对铁水硅含量影响最大的参数作为模型的输入,铁水硅含量作为模型的输出;最后,将训练样本归一化后用于训练模型,将训练好的模型用于生产过程中铁水硅含量的预测。炼铁过程中高炉的时变、动态、非线性、强惯性和多尺度的特性,
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
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