基于偏最小二乘回归的高炉铁水硅含量模型.pdf
as****16
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于偏最小二乘回归的高炉铁水硅含量模型.pdf
万方数据基于偏最小二乘回归的高炉铁水硅含量模型’铁水硅含量影响参数的选取石琳1,李志玲2,崔桂梅2在高炉冶炼过程中,“炉温控制”是最重要的控制.如果炉温控制在正常的范围内,高炉就顺行.由于实际冶炼中很难直接测量到高炉炉温,而炉温对硅元素还原速率的敏感度远高于对铁元素的还原速率,因此,通常以铁水硅含量[Si]来反映高炉炉温¨3.铁水硅含量越高,炉温就越高,反之亦然.高炉炉温不仅与提供的能量有关,而且与物理化学反应过程、流体力学过程有关.影响炉温的重要参数有几十项之多,其中既有入炉原料的性质(成分、比重、配料
基于偏最小二乘的高炉铁水硅含量预测研究.pdf
硕士学位论文山孽之叙缇失尊船.垒汪论文题目:基于偏最小二乘的高炉铁水硅含量预测研究专业名称:卫三窆圣一学号:作者:祁鹏控制理论与控制工程2010年6月12日分类号:密单位代码:0127200702191DUC:fI丫J:llllJfflll7lfltll8llfllll9lllll5llffft2flllll6IJtUl基于偏最d'-乘的高炉铁水硅含量预测研究789526研究生姓名:祁鹏指导教师姓名:崔桂梅内蒙古科技大学信息工程学院包头014010,中国丫1PartialLeastSquaresPredi
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
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