• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      改進(jìn)粒子群算法優(yōu)化最小二乘支持向量機(jī)的高爐爐溫預(yù)測(cè)研究

      2020-09-29 07:38:22薛永杰
      關(guān)鍵詞:爐溫高爐向量

      ◎薛永杰

      (作者單位:青島科技大學(xué))

      一、引言

      高爐煉鐵是一個(gè)復(fù)雜的多變量控制系統(tǒng),保證爐內(nèi)狀況穩(wěn)定很有必要。其中爐溫的控制是十分重要的因素。良好的爐溫控制是高爐生產(chǎn)穩(wěn)定的前提。本文提出了一種基于粒子群算法優(yōu)化最小二乘支持向量機(jī)的高爐爐溫預(yù)測(cè)模型。首先建立具有徑向基函數(shù)為核函數(shù)的最小二乘支持向量機(jī)模型,將最小二乘支持向量機(jī)參數(shù)作為粒子初始位置,然后通過(guò)粒子群信息交流找到最優(yōu)參數(shù),并通過(guò)改進(jìn)粒子群算法優(yōu)化慣性權(quán)重和學(xué)習(xí)因子,得到采用最優(yōu)參數(shù)的最小二乘支持向量機(jī)建立的高爐爐溫預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,本文模型提高了高爐爐溫的預(yù)測(cè)精度,并大幅減少訓(xùn)練時(shí)間。

      二、IPSO-LSSVM 的高爐爐溫預(yù)測(cè)模型

      1.最小二乘支持向量回歸模型。

      LSSVM 的基本原理為,給定非線性訓(xùn)練樣本集T,T= {(xi,yi)i=1,2,…,n},x∈Rn的子集表示輸入數(shù)據(jù),yi∈Rn 的子集表示輸出數(shù)據(jù),n 表示樣本訓(xùn)練個(gè)數(shù)。映射非線性函數(shù)以獲得高維特征空間。進(jìn)行線性回歸分析?;诮Y(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,得到LSSVM 的優(yōu)化目標(biāo)函數(shù)。為了解決最優(yōu)問(wèn)題,引入拉格朗日乘數(shù),將約束下的優(yōu)化方程轉(zhuǎn)化為無(wú)約束目標(biāo)函數(shù)。依據(jù)KKT 優(yōu)化條件得到最優(yōu)值。然后得到最小二乘支持向量機(jī)分類決策函數(shù)。大量研究實(shí)驗(yàn)表明高斯徑向基核函數(shù)可以獲得良好的性能。因此本文采用高斯徑向基核函數(shù)來(lái)幫助LSSVM 預(yù)測(cè)模型獲得最優(yōu)解。

      2.改進(jìn)粒子群算法。

      假設(shè)在d 維的搜索空間內(nèi),有n 個(gè)粒子組成的一個(gè)種群,χi表示第i 個(gè)粒子的位置,νi表示第i 個(gè)粒子的速度,pi表示粒子搜索的最優(yōu)位置,pg表示種群搜索的最優(yōu)位置。粒子更新速度與位置的公式為(1)(2):

      式中k 表示實(shí)驗(yàn)中迭代的次數(shù),c1和c2為學(xué)習(xí)因子,ω 為慣性權(quán)重系數(shù),r1和r2為[0,1]內(nèi)的隨機(jī)函數(shù)。慣性權(quán)重ω 用于平衡全局搜索與局部搜索能力,可以通過(guò)以下公式(3)確定:

      式中Wmax 是初始權(quán)重,Wmin 是最終權(quán)重。T 為最大迭代次數(shù)。由于標(biāo)準(zhǔn)PSO算法收斂快,實(shí)際應(yīng)用中容易陷入局部最優(yōu),使尋優(yōu)陷入停滯。為了提高算法的收斂性和提高運(yùn)算效率。提出了一種種群多樣性粒子群算法,算法提出了“吸引”和“擴(kuò)散”的概念,動(dòng)態(tài)的調(diào)整求解過(guò)程,公式(4)如下:

      式中為│s│種群大小,│L│為搜索樣本空間的最長(zhǎng)半徑。在算法搜索過(guò)程中,當(dāng)Diversity(s)<DLOW時(shí),種群中粒子遠(yuǎn)離最優(yōu)位置,執(zhí)行擴(kuò)散操作。Diversity(s)>Dhigh時(shí),種群中粒子向全局最優(yōu)位置靠攏,執(zhí)行吸引操作。通過(guò)對(duì)種群粒子速度的動(dòng)態(tài)調(diào)整,在達(dá)到一定精度后,繼續(xù)尋找最優(yōu)解,以保證尋找到的結(jié)果為最優(yōu)結(jié)果。

      3.改進(jìn)粒子群算法優(yōu)化最小二乘支持向量機(jī)。

      IPSO 優(yōu)化LSSVM 模型實(shí)現(xiàn)高爐爐溫預(yù)測(cè)的算法步驟如下:

      1.對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

      2.根據(jù)模型的預(yù)測(cè)誤差計(jì)算每一個(gè)粒子的適應(yīng)度函數(shù)值。

      3.設(shè)置IPSO 參數(shù)的初始值。

      4.計(jì)算粒子群適應(yīng)度。

      5.判斷適應(yīng)度。如果滿足則終止參數(shù)尋優(yōu),如果不滿足則返回步驟(4)。

      6.根據(jù)最優(yōu)參數(shù)和。

      三、實(shí)驗(yàn)結(jié)果與分析

      本文選用山東某鋼鐵廠3 號(hào)高爐2017 年7 月到9 月日常生產(chǎn)中的1195 組數(shù)據(jù),選用影響高爐爐溫的決策變量、條件變量和目標(biāo)變量,刪除無(wú)關(guān)變量,整合成初始樣本集根據(jù)相關(guān)性分析,選擇6 個(gè)參數(shù)作為輸入層神經(jīng)元,隱含層為13 層,隱含層的作用輸出函數(shù)采用tansig 型,本文章研究的是高爐爐溫的預(yù)測(cè),故輸出變量為當(dāng)前高爐爐溫,所以輸出神經(jīng)元個(gè)數(shù)為1。共得到876 個(gè)樣本,其中前776 個(gè)樣本作為訓(xùn)練集,后100 個(gè)樣本作為測(cè)試集。分別采用GA、PSO 和IPSO 算法對(duì)LSSVM 模型參數(shù)尋優(yōu),得到他們選擇的最優(yōu)參數(shù),利用得到的最優(yōu)參數(shù)讓LSSVM 進(jìn)行學(xué)習(xí),建立相應(yīng)的高爐爐溫預(yù)測(cè)模型。預(yù)測(cè)性能好壞通過(guò)MAE、MAPE、RMSE 及模型的運(yùn)行時(shí)間對(duì)比得到,對(duì)比結(jié)果如表1 所示

      ?

      相 比 于 GA-LSSVM 模 型 和PSO-LSSVM 模型,IPSO-LSSVM 模型預(yù)測(cè)爐溫精度更高,建模時(shí)間更短。

      四、結(jié)束

      本文結(jié)合高爐冶煉生產(chǎn)過(guò)程的特點(diǎn),為了提高高爐爐溫預(yù)測(cè)性能,在篩選優(yōu)化樣本數(shù)據(jù)的基礎(chǔ)上,運(yùn)用改進(jìn)粒子群算法優(yōu)化最小二乘支持向量機(jī)建立高爐爐溫預(yù)測(cè)模型。并和GA-LSSVM、PSO-LSSVM 預(yù)測(cè)模型對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,本方法較全面考慮了高爐爐溫變化的因素,而且訓(xùn)練速度快、運(yùn)行效率高等特點(diǎn),同時(shí)也提高了模型預(yù)測(cè)精度和命中率。在以后的研究中,可以嘗試加入更多的輸入變量,采用更好的算法優(yōu)化模型,得到更好的預(yù)測(cè)結(jié)果。

      猜你喜歡
      爐溫高爐向量
      5100m3高爐長(zhǎng)期休風(fēng)快速恢復(fù)實(shí)踐
      山東冶金(2022年2期)2022-08-08 01:50:38
      向量的分解
      昆鋼2500m3高爐開(kāi)爐快速達(dá)產(chǎn)實(shí)踐
      昆鋼科技(2021年3期)2021-08-23 01:27:36
      昆鋼2500m3高爐停爐及開(kāi)爐快速達(dá)產(chǎn)實(shí)踐
      昆鋼科技(2021年3期)2021-08-23 01:27:34
      聚焦“向量與三角”創(chuàng)新題
      高爐前
      萊鋼2#1880m3高爐開(kāi)爐爐溫平衡實(shí)踐
      山東冶金(2019年2期)2019-05-11 09:11:58
      爐溫決策中收斂因子的算法
      爐溫均勻性校驗(yàn)在鑄鍛企業(yè)的應(yīng)用
      基于信捷PLC 電熱鍋爐溫控系統(tǒng)的設(shè)計(jì)
      電子制作(2017年13期)2017-12-15 09:00:24
      404 Not Found

      404 Not Found


      nginx
      平罗县| 永年县| 环江| 通道| 石台县| 中宁县| 弥勒县| 海林市| 北票市| 五大连池市| 响水县| 浠水县| 深圳市| 前郭尔| 新密市| 隆子县| 朝阳县| 望奎县| 晋城| 姜堰市| 红河县| 阜新| 四子王旗| 蒙山县| 灵璧县| 离岛区| 白河县| 齐齐哈尔市| 北京市| 高邑县| 南丹县| 临朐县| 沙洋县| 蛟河市| 精河县| 余姚市| 新兴县| 青州市| 新巴尔虎右旗| 枣庄市| 金昌市|