【摘要】： 工業(yè)過程往往具有結構復雜、非線性、時變、耦合、不確定性、信息量少的特點。隨著生產過程規(guī)模的進一步擴大和復雜程度的提高,透徹分析其過程機理并建立精確數(shù)學模型已經變得越來越困難,利用可測量的生產數(shù)據建立其辨識模型已成為必然的選擇。自1995年Vapnik等人提出支持向量機算法以來,基于核的機器學習方法(簡稱核方法)取得了迅速的發(fā)展,目前已成為人工智能和機器學習領域的研究熱點之一,已經在模式識別、系統(tǒng)辨識等許多領域中得到成功應用,因此,本文以一類具有非線性特性的復雜工業(yè)過程為背景開展研究工作,將核方法應用于工業(yè)過程數(shù)據特征提取、建模和預報。 本文提出一種基于核方法和貪婪思想的主元提取模糊神經網絡模型。采用核函數(shù)把輸入變量向高維特征空間映射來充分挖掘變量的隱藏信息,經貪婪算法優(yōu)化選取主元,輸入自適應神經模糊推理系統(tǒng)后,網絡以規(guī)則的形式來反映數(shù)據間蘊含的關系,避免出現(xiàn)規(guī)則爆炸,為提高模糊神經網絡建模精度提供一個有效的方法。此外,以統(tǒng)計回歸方法為基礎,建立一種基于核方法的貝葉斯回歸模型。與傳統(tǒng)人工經驗控制方法相比,回歸模型能消除隨機因素的影響,提高動態(tài)過程控制精度。在分別采用增量回歸及貝葉斯回歸模型對工業(yè)過程量建模,并進行比較后發(fā)現(xiàn),基于核方法的貝葉斯模型在保證建模精度的情況下,還能自動對參數(shù)進行有效估計,避免人工干預的影響。 最后,以轉爐煉鋼工業(yè)過程為應用實例,應用基于核方法的貝葉斯回歸模型計算補吹氧量的結果,結合三階段梯形脫碳曲線理論建立碳指數(shù)模型,對熔池碳含量的實時變化及終點情況做出指導。并對碳積分模型進行修正,結合爐氣分析儀的實測數(shù)據,計算總脫碳量,為碳含量的終點預報提供一個新途徑。
【圖文】：

一\叮，

本文編號：2663619