發(fā)布時(shí)間：2020-12-20 07:19

　　為提高鑄坯質(zhì)量預(yù)測(cè)的準(zhǔn)確率,本文提出了一種基于最大信息系數(shù)(MIC)和主成分分析(PCA)的兩階段特征降維方法。采集某鋼廠鑄坯生產(chǎn)過(guò)程數(shù)據(jù),根據(jù)冶金原理得到鑄坯夾雜類質(zhì)量缺陷的影響因素,構(gòu)造原始特征集。第一階段進(jìn)行特征選擇,使用隨機(jī)森林分類器的分類準(zhǔn)確率來(lái)評(píng)價(jià)ReliefF、IG和MIC三種算法的特征選擇效果,結(jié)果顯示,基于MIC度量指標(biāo)選出的特征維度更低、分類準(zhǔn)確率更高。第二階段使用PCA方法對(duì)特征選擇后的特征集進(jìn)行降維,并將其與原始特征集、MIC、PCA算法的分類準(zhǔn)確率進(jìn)行比較,結(jié)果表明,本文提出的基于MIC和PCA的兩階段降維方法優(yōu)于其他算法,能有效降低原始特征集的維度并提高對(duì)鑄坯夾雜類質(zhì)量缺陷的預(yù)測(cè)精度。 

【文章來(lái)源】：武漢科技大學(xué)學(xué)報(bào). 2020年05期 北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1 兩階段特征降維方法框圖

由圖3還可見(jiàn),采用MIC算法時(shí),在刪除8維特征時(shí)分類準(zhǔn)確率最高可達(dá)89.0%,與未進(jìn)行特征選擇的情況相比,分類準(zhǔn)確率提高了約4.2%;使用ReliefF算法,在刪除4維特征時(shí)準(zhǔn)確率最高為88.1%;使用IG算法,在刪除5維特征時(shí)準(zhǔn)確率最高為86.4%。綜合來(lái)看,使用MIC度量指標(biāo)進(jìn)行特征選擇,可以選出維度更低、分類準(zhǔn)確率更高的特征,特征選擇效果優(yōu)于其他兩類度量指標(biāo)。因此,根據(jù)MIC算法的特征選擇結(jié)果,刪除相關(guān)性較小的8維特征后,保留與鑄坯夾雜類質(zhì)量缺陷相關(guān)的14個(gè)特征為:鋼種、廢鋼加入量、結(jié)晶器渣類型、吹氧量、長(zhǎng)水口廠家、中包渣類型、斷面寬度、配水方式、精煉方式、水表號(hào)、鋼水節(jié)奏、中包噸位、中包溫度和拉速落差。

應(yīng)用隨機(jī)森林分類器對(duì)3種度量指標(biāo)進(jìn)行評(píng)價(jià)時(shí),依次刪除相關(guān)性較小的特征,直至剩下一維特征為止,不同算法的分類準(zhǔn)確率隨刪除特征數(shù)量(即數(shù)據(jù)集維度)的變化如圖3所示。由圖3可以看出,伴隨著相關(guān)性較小特征的刪除,3種算法的分類準(zhǔn)確率與起點(diǎn)處相比均有所提升,而當(dāng)相關(guān)性較高特征被刪除時(shí),模型的分類準(zhǔn)確率則隨之下降。圖2 基于三種不同算法的特征排序

【參考文獻(xiàn)】：
期刊論文
[1]鑄坯質(zhì)量判定系統(tǒng)的研究與應(yīng)用[J]. 王紅濤,馮連強(qiáng),劉穎,周士凱,趙靜.  重型機(jī)械. 2018(03)
[2]特征選擇方法中三種度量的比較研究[J]. 宋智超,康健,孫廣路,何勇軍.  哈爾濱理工大學(xué)學(xué)報(bào). 2018(01)
[3]基于隨機(jī)森林與主成分分析的刀具磨損評(píng)估[J]. 趙帥,黃亦翔,王浩任,劉成良,劉曉,梁鑫光.  機(jī)械工程學(xué)報(bào). 2017(21)
[4]基于鄰域粗糙集的多標(biāo)記分類特征選擇算法[J]. 段潔,胡清華,張靈均,錢宇華,李德玉.  計(jì)算機(jī)研究與發(fā)展. 2015(01)
[5]連鑄大方坯內(nèi)部質(zhì)量多元模糊模式預(yù)測(cè)研究[J]. 王寶,張志剛,陳海芳,劉青.  計(jì)算機(jī)與應(yīng)用化學(xué). 2012(12)
[6]連鑄坯質(zhì)量判定系統(tǒng)研究綜述[J]. 單多,徐安軍,汪紅兵,田乃媛.  連鑄. 2011(02)

碩士論文
[1]基于隨機(jī)森林算法的鑄件內(nèi)部夾雜類型識(shí)別方法研究[D]. 李璐.中北大學(xué) 2018
[2]基于神經(jīng)元網(wǎng)絡(luò)技術(shù)的鑄坯質(zhì)量分析算法研究[D]. 韓舟.大連理工大學(xué) 2017



本文編號(hào)：2927460