發(fā)布時(shí)間：2021-02-21 05:21

　　在“化解產(chǎn)能,綠色生產(chǎn)”的時(shí)代背景下,鋼鐵行業(yè)面臨著嚴(yán)峻的考驗(yàn)。球團(tuán)礦作為高爐入爐的必備原料,其冶金性能直接影響鐵水質(zhì)量和高爐順行。故,球團(tuán)礦入爐前的質(zhì)檢必不可少。但是,質(zhì)檢環(huán)節(jié)復(fù)雜且耗材大。文章從“球團(tuán)礦微觀結(jié)構(gòu)決定其冶金性能,冶金性能反映其微觀結(jié)構(gòu)”的角度出發(fā),基于礦相特征,重點(diǎn)研究了一種球團(tuán)礦冶金性能預(yù)測(cè)的支持向量機(jī)（SVM）改進(jìn)算法,以提高球團(tuán)礦冶金性能評(píng)價(jià)效率。文章主要研究?jī)?nèi)容有:第一,在透視SVM算法原理的基礎(chǔ)上,重點(diǎn)分析了RBF核、多項(xiàng)式核與Sigmoid核3種典型核函數(shù)�；谡`差最小和算法運(yùn)行時(shí)間最短,制定了SVM核參數(shù)選取與核種類復(fù)合的改進(jìn)策略。第二,基于遺傳算法理論框架,定義了SVM核參數(shù)為個(gè)體的解空間、單一核函數(shù)的SVM預(yù)測(cè)準(zhǔn)確率和算法運(yùn)行時(shí)間為適應(yīng)度函數(shù)的形式,設(shè)計(jì)了一種SVM核參數(shù)自適應(yīng)選取算法;構(gòu)建了一種將RBF核、多項(xiàng)式核和Sigmoid核加權(quán)復(fù)合的SVM原函數(shù),定義了核種類復(fù)合權(quán)值為個(gè)體的解空間、復(fù)合核函數(shù)的SVM預(yù)測(cè)準(zhǔn)確率和算法運(yùn)行時(shí)間為適應(yīng)度函數(shù)的形式,設(shè)計(jì)了一種SVM核種類自適應(yīng)復(fù)合算法;最后,將SVM核參數(shù)自適應(yīng)選取與SVM核種類自適應(yīng)復(fù)合進(jìn)行了... 

【文章來源】：華北理工大學(xué)河北省

【文章頁數(shù)】：93 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
第1章 緒論
    1.1 SVM簡(jiǎn)介
    1.2 文獻(xiàn)綜述
        1.2.1 SVM研究現(xiàn)狀
        1.2.2 球團(tuán)礦質(zhì)量預(yù)測(cè)研究現(xiàn)狀
        1.2.3 關(guān)鍵問題及創(chuàng)新點(diǎn)
    1.3 研究方案
        1.3.1 研究方法
        1.3.2 章節(jié)結(jié)構(gòu)
第2章 理論分析
    2.1 最優(yōu)分類超平面
        2.1.1 二次規(guī)劃
        2.1.2 卡羅需-庫恩-塔克條件
    2.2 典型支持向量機(jī)核函數(shù)
    2.3 支持向量機(jī)學(xué)習(xí)算法
        2.3.1 SMO學(xué)習(xí)算法
        2.3.2 SMO算法的實(shí)現(xiàn)
    2.4 本章小結(jié)
第3章 SVM算法改進(jìn)
    3.1 遺傳算法
        3.1.1 標(biāo)準(zhǔn)遺傳算法
        3.1.2 模式定理
        3.1.3 個(gè)體、種群
    3.2 一種SVM核種類自適應(yīng)復(fù)合算法
        3.2.1 SVM核種類復(fù)合策略及理論依據(jù)
        3.2.2 SVM核種類自適應(yīng)復(fù)合算法設(shè)計(jì)
    3.3 一種SVM核參數(shù)自適應(yīng)選取算法
        3.3.1 SVM核參數(shù)選取策略
        3.3.2 SVM核參數(shù)自適應(yīng)選取算法設(shè)計(jì)
    3.4 改進(jìn)的SVM算法
    3.5 本章小結(jié)
第4章 基于SVM改進(jìn)算法的球團(tuán)礦冶金性能預(yù)測(cè)
    4.1 預(yù)測(cè)樣本初始樣本集構(gòu)建
        4.1.1 實(shí)驗(yàn)過程及數(shù)據(jù)采集
        4.1.2 初始樣本集構(gòu)建
    4.2 初始樣本信息深度挖掘
        4.2.1 礦相紋理特征提取
        4.2.2 礦相顏色特征提取
        4.2.3 礦相分形特征提取
        4.2.4 基于PCA的礦相主特征提取
        4.2.5 精華樣本集構(gòu)建
    4.3 球團(tuán)礦冶金性能預(yù)測(cè)
        4.3.1 預(yù)測(cè)試驗(yàn)設(shè)計(jì)
        4.3.2 預(yù)測(cè)效果分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
導(dǎo)師簡(jiǎn)介
作者簡(jiǎn)介
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3043901