為降低煉鋼能耗,提高煉鋼的產(chǎn)量、質(zhì)量及煉鋼過程中的耗氧量預(yù)測精度,針對某鋼廠的轉(zhuǎn)爐,基于海量歷史數(shù)據(jù),提出一種基于深度學(xué)習的改進深度信念網(wǎng)絡(luò)（DBN）轉(zhuǎn)爐耗氧量預(yù)測模型。通過引入高斯伯努利受限玻爾茲曼機（GBRBM）,解決傳統(tǒng)DBN中受限玻爾茲曼機（RBM）所引起的在連續(xù)輸入時造成的信息丟失問題。首先經(jīng)過數(shù)據(jù)預(yù)處理,再采用灰色關(guān)聯(lián)度法,找出影響耗氧量的主導(dǎo)因素,最后將其作為GBRBM-DBN模型的輸入,建立GBRBM-DBN模型,并通過仿真驗證該方案的可行性。結(jié)果表明:該方案能夠準確地預(yù)測煉鋼過程中的耗氧量,預(yù)測精度高,泛化性強,可為實際生產(chǎn)提供理論指導(dǎo)。 

【文章來源】：中國測試. 2020,46(06)北大核心

【文章頁數(shù)】：6 頁

【參考文獻】：
期刊論文
[1]改進的深度信念網(wǎng)絡(luò)肺結(jié)節(jié)良惡性分類[J]. 張婷,趙文婷,趙涓涓,強彥.  計算機工程與設(shè)計. 2018(09)
[2]基于深度信念網(wǎng)絡(luò)的建筑物用水流量預(yù)測[J]. 姚騰輝,李峰.  軟件導(dǎo)刊. 2018(10)
[3]提高淮鋼轉(zhuǎn)爐終點溫度命中率的工藝優(yōu)化[J]. 王鵬,吳偉,孟華棟,印傳磊,李相臣.  鋼鐵. 2018(03)
[4]深度學(xué)習及其在圖像分類識別中的研究綜述[J]. 孫瑜陽.  信息技術(shù)與信息化. 2018(01)
[5]深度置信網(wǎng)絡(luò)模型及應(yīng)用研究綜述[J]. 劉方園,王水花,張煜東.  計算機工程與應(yīng)用. 2018(01)
[6]轉(zhuǎn)爐煉鋼耗氧量預(yù)測模型研究[J]. 趙輝,易曉敏,王紅君,岳有軍.  計算機仿真. 2017(01)
[7]基于PSO優(yōu)化SVM的轉(zhuǎn)爐煉鋼用氧量預(yù)測研究[J]. 秦波,吳慶朝,張娟娟,王建國,張文興.  測控技術(shù). 2014(12)
[8]熱工過程建模中的數(shù)據(jù)處理方法研究[J]. 田沛,溫興賢.  計算機仿真. 2013(08)

碩士論文
[1]基于深度信念網(wǎng)絡(luò)的人臉識別[D]. 劉天宇.大連海事大學(xué) 2017
[2]基于BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐供氧模型的研究與應(yīng)用開發(fā)[D]. 付佳.冶金自動化研究設(shè)計院 2014



本文編號：3081859