高爐煉鐵要嚴(yán)格控制硅的還原過程,掌握鐵水硅含量的變化。本文針對高爐煉鐵過程的非線性和動態(tài)性,以Elman神經(jīng)網(wǎng)絡(luò)和Adaboost算法為主要的數(shù)據(jù)驅(qū)動建模方法,對硅含量分別進(jìn)行了回歸與分類預(yù)測,并將回歸與分類的結(jié)果進(jìn)行信息融合:（1）硅含量的回歸預(yù)測。分別研究了多變量Elman-Adaboost強(qiáng)回歸器（Multi-variable Elman-Adaboost Strong Predictor,MEASP）和單變量 Elman-Adaboost 強(qiáng)回歸器（Single-variable Elman-Adaboost Strong Predictor,SEASP）。MEASP平均命中率為94.80%;SEASP平均命中率為90.21%。最后,分析了MEASP比SEASP精度高的原因。（2）硅含量變化方向的分類預(yù)測。分別研究了多變量Elman-Adaboo.st強(qiáng)分類器（Multi-variable Elman-Adaboost Strong Classifier,MEASC）和單變量Elman-Adaboost 強(qiáng)分類器（Single-variable Elman-Adaboost S... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?３?ｓｉｇｍｏｉｄ函數(shù)的圖示??

學(xué)碩士學(xué)位論文?第三章基于Ｅｌｍａｎ－Ａｄａｂｏｏｓｔ模型的高爐鐵水硅含量表３．?３兩個(gè)參數(shù)取值不同的強(qiáng)回歸器模型的誤差均方值比較??參數(shù)?Ａ／?＝?５、／／?＝?２０?Ｍ?＝?２０、／／?＝?５??ＭＳＥ?０．００２８４?０．００２７２??Ｍ?＝?５、ｉｆ?＝?２０與Ｍ?＝?２０、／／二５時(shí)的預(yù)測誤差絕對值曲線分別如圖?１５所不。對比圖３．?１４、圖３．?１５，可以看出圖３．?１５中強(qiáng)回歸器的誤于０．１的比例較高，誤差普遍較小。??通過以上分析，選擇結(jié)構(gòu)為１２－５－１的Ｅｌｍａｎ神經(jīng)網(wǎng)絡(luò)為弱回歸器，數(shù)目為２０，組成最優(yōu)ＭＥＡＳＰ，其平均命中率為９４．８０％，誤差均７２，預(yù)測結(jié)果中真實(shí)值與預(yù)測值的比較如圖３．?１６所示。從圖３．?１６，預(yù)測值能較好地與真實(shí)值的變化同步。??．￣ｒ?－?Ｉ－－

學(xué)碩士學(xué)位論文?第三章基于Ｅｌｍａｎ－Ａｄａｂｏｏｓｔ模型的高爐鐵水硅含量表３．?３兩個(gè)參數(shù)取值不同的強(qiáng)回歸器模型的誤差均方值比較??參數(shù)?Ａ／?＝?５、／／?＝?２０?Ｍ?＝?２０、／／?＝?５??ＭＳＥ?０．００２８４?０．００２７２??Ｍ?＝?５、ｉｆ?＝?２０與Ｍ?＝?２０、／／二５時(shí)的預(yù)測誤差絕對值曲線分別如圖?１５所不。對比圖３．?１４、圖３．?１５，可以看出圖３．?１５中強(qiáng)回歸器的誤于０．１的比例較高，誤差普遍較小。??通過以上分析，選擇結(jié)構(gòu)為１２－５－１的Ｅｌｍａｎ神經(jīng)網(wǎng)絡(luò)為弱回歸器，數(shù)目為２０，組成最優(yōu)ＭＥＡＳＰ，其平均命中率為９４．８０％，誤差均７２，預(yù)測結(jié)果中真實(shí)值與預(yù)測值的比較如圖３．?１６所示。從圖３．?１６，預(yù)測值能較好地與真實(shí)值的變化同步。??．￣ｒ?－?Ｉ－－

【參考文獻(xiàn)】：
期刊論文
[1]面向跟蹤系統(tǒng)的多傳感器信息融合魯棒保性能協(xié)方差交叉Kalman估計(jì)方法[J]. 楊智博,楊春山,鄧自立.  電子學(xué)報(bào). 2017(07)
[2]基于多傳感器信息融合的輪履混合移動機(jī)器人路況識別方法[J]. 弓鵬偉,費(fèi)燕瓊,宋立博.  上海交通大學(xué)學(xué)報(bào). 2017(04)
[3]改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)在鐵水硅含量預(yù)測中的應(yīng)用[J]. 宋菁華,楊春節(jié),周哲,劉文輝,馬淑艷.  化工學(xué)報(bào). 2016(03)
[4]基于BP-Adaboost強(qiáng)預(yù)測器的瓦斯涌出量預(yù)測[J]. 張?zhí)炫d,畢建武.  資源開發(fā)與市場. 2014(11)
[5]基于Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測[J]. 李翔,朱全銀.  計(jì)算機(jī)應(yīng)用. 2012(12)
[6]基于Elman_AdaBoost強(qiáng)預(yù)測器的目標(biāo)威脅評估模型及算法[J]. 王改革,郭立紅,段紅,劉邏,王鶴淇.  電子學(xué)報(bào). 2012(05)
[7]復(fù)雜高爐煉鐵過程的數(shù)據(jù)驅(qū)動建模及預(yù)測算法[J]. 郜傳厚,漸令,陳積明,孫優(yōu)賢.  自動化學(xué)報(bào). 2009(06)
[8]基于WA-SVM模型的高爐鐵水含硅量預(yù)測[J]. 王義康,郜傳厚.  中國冶金. 2009(04)
[9]基于隱Markov模型的高爐鐵水硅質(zhì)量分?jǐn)?shù)預(yù)測算法[J]. 曾九孫,劉祥官,郜傳厚,羅世華.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2008(05)
[10]基于改進(jìn)的C-C方法的相空間重構(gòu)參數(shù)選擇[J]. 陸振波,蔡志明,姜可宇.  系統(tǒng)仿真學(xué)報(bào). 2007(11)

博士論文
[1]基于非線性分析的海雜波處理與目標(biāo)檢測[D]. 許小可.大連海事大學(xué) 2008
[2]Elman神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法的若干理論研究及應(yīng)用[D]. 時(shí)小虎.吉林大學(xué) 2006

碩士論文
[1]基于支持向量機(jī)的高爐鐵水硅含量預(yù)測[D]. 馬淑艷.浙江大學(xué) 2016
[2]高爐冶煉過程的多尺度特性與硅含量預(yù)測方法研究[D]. 宋菁華.浙江大學(xué) 2016
[3]基于多傳感器信息融合的移動機(jī)器人避障系統(tǒng)研究[D]. 高慧英.哈爾濱工業(yè)大學(xué) 2010



本文編號：2919769