孙彤
- 作品数：3 被引量：29H指数：2
- 供职机构：内蒙古科技大学信息工程学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术冶金工程更多>>
- 支持向量机在高炉铁水温度预测中的应用被引量：20
- 2013年
- 铁水温度是高炉冶炼过程的关键参数,是影响高炉稳定顺行及节能降耗的重要指标。以高炉炉内热状态的重要指示剂-铁水温度为研究对象,在综合利用K-means聚类和支持向量机方法的各自优势和互补情况下,提出一种基于K-means聚类的支持向量机预测铁水温度的方法,该方法首先将训练样本数据分为m类,建立m个支持向量机回归预测模型,同时采用粒子群算法优化模型参数;其次建立m个判别函数,判别待预测样本数据属于哪一类;最后将待预测样本数据代入相应类的回归模型中进行预测。相比标准支持向量机预测,得到了较高的预测精度。
- 崔桂梅孙彤张勇
- 关键词：高炉铁水温度支持向量回归机
- 基于最小二乘支持向量机的高炉铁水温度预测模型的研究
- 高炉炉温预报过程是一个摸不到、看不透的非线性系统,过程参数具有不确定、非线性、高维数等特点。以往炉温预报模型是以铁水硅含量为研究对象,尽管铁水硅含量和炉温存在正相关的关系,但也存在非线性的关系,所以用铁水硅含量多少来描述...
- 孙彤
- 关键词：最小二乘支持向量机炼铁高炉粒子群优化算法
- 文献传递
- 基于最小二乘支持向量机的高炉铁水温度预测被引量：7
- 2013年
- 关于铁水温度控制模型的优化设计问题,由于炉温变化为非线性的,采用传统的神经网络方法存在因素漏选、训练速度慢、预测精度低等问题。为解决上述问题,提出一种主成分分析(PCA)和最小二乘支持向量机(LS-SVM)的铁水温度时间序列预测方法。改进的方法首先对影响铁水温度变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机时间序列预测模型,并用粒子群算法优化模型参数,最后预测输出。采用某钢厂大型高炉的在线采集数据作为应用案例,建立改进方法的预测模型。相比小波神经网络时间序列预测模型,改进方法不仅可以考虑所有因素对铁水温度变化的影响,还具有训练时间短、预测精度高等优点。仿真证实了改进方法的有效性。
- 崔桂梅孙彤张勇
- 关键词：铁水温度最小二乘支持向量机粒子群算法高炉主成分分析
