基于最小二乘支持向量機的高爐鐵水溫度預(yù)測模型的研究.pdf

1、高爐爐溫預(yù)報過程是一個摸不到、看不透的非線性系統(tǒng),過程參數(shù)具有不確定、非線性、高維數(shù)等特點。以往爐溫預(yù)報模型是以鐵水硅含量為研究對象,盡管鐵水硅含量和爐溫存在正相關(guān)的關(guān)系,但也存在非線性的關(guān)系,所以用鐵水硅含量多少來描述爐溫的變化存在一定的不足,因此本文以爐溫的物理溫度即鐵水溫度為研究對象,并建立其預(yù)報模型。支持向量機是近期研究出的一種算法,即可以解決分類問題又可以解決回歸問題,被認為是神經(jīng)網(wǎng)絡(luò)算法的代替算法。同時能夠很好的處理小樣本、

2、非線性、高維數(shù)等問題,收斂速度快、泛化能力強,因此筆者采用支持向量機技術(shù)建立鐵水溫度的預(yù)報模型。本文主要工作有:
　　1.經(jīng)過大量閱讀高爐相關(guān)的參考文獻和現(xiàn)場專家的討論,得知高爐的過程數(shù)據(jù)在采集時候,部分數(shù)據(jù)存在缺失值、異常值、噪音、不同的綱量級及參數(shù)滯后性等問題,如果不做處理會直接影響模型的性能,為了提高模型的性能,本文在建模之前會采取相應(yīng)的辦法對以上存在的問題做處理。
　　2.提出了一種基于主成分分析(PCA)和最小二乘

3、支持向量機(SVM)建立鐵水溫度時間序列模型的方法,首先采用主成分分析法對處理后的數(shù)據(jù)做降維處理,得到主成分時間序列數(shù)據(jù),作為模型的輸入變量,然后采用最小二乘支持向量機算法建立鐵水溫度預(yù)報模型,同時采用線性遞減慣性權(quán)重的粒子群優(yōu)化算法優(yōu)化模型的參數(shù),最后得出預(yù)測結(jié)果,并和粒子群優(yōu)化的支持向量機時間序列模型模型、RBF神經(jīng)網(wǎng)絡(luò)時間序列模型做對比,得出最小二乘支持向量機時間序列模型的預(yù)測精度更高、求解時間短。
　　3.提出了一種基于聚

4、類和最小二乘支持向量機(LS-SVM)建立鐵水溫度多回歸模型的方法,此方法解決了單一模型的預(yù)測精度低、泛化能力差的問題,該方法首先采用減法聚類確定待分類樣本的聚類數(shù),在用K-means對訓(xùn)練樣本進行劃分,然后采用最小二乘支持向量機算法建立不同的類別的預(yù)測模型,同時采用線性遞減慣性權(quán)重的粒子群算法優(yōu)化各模型參數(shù),并將測試樣本代入不同模型求得預(yù)測結(jié)果,最后加權(quán)求和得到最終的預(yù)測結(jié)果,對比于最小二乘支持向量時間序列模型和支持向量機建立的多模型