论文部分内容阅读
高炉炼铁要严格控制硅的还原过程,掌握铁水硅含量的变化。本文针对高炉炼铁过程的非线性和动态性,以Elman神经网络和Adaboost算法为主要的数据驱动建模方法,对硅含量分别进行了回归与分类预测,并将回归与分类的结果进行信息融合:(1)硅含量的回归预测。分别研究了多变量Elman-Adaboost强回归器(Multi-variable Elman-Adaboost Strong Predictor,MEASP)和单变量 Elman-Adaboost 强回归器(Single-variable Elman-Adaboost Strong Predictor,SEASP)。MEASP平均命中率为94.80%;SEASP平均命中率为90.21%。最后,分析了MEASP比SEASP精度高的原因。(2)硅含量变化方向的分类预测。分别研究了多变量Elman-Adaboo.st强分类器(Multi-variable Elman-Adaboost Strong Classifier,MEASC)和单变量Elman-Adaboost 强分类器(Single-variable Elman-Adaboost Strong Classifier,SEASC)。沿用标准型MEASC平均分类命中率L为69.80%,因此引入了改进型MEASC,分别从训练模型、训练数据、训练过程三个方面进行改进,得到的平均分类命中率L为89.19%,分类预测结果较为理想。标准型SEASC平均分类命中率L为71.70%,改进型SEASC的平均分类命中率L为85.32%。最后,进行了详细的分析和比较。(3)利用信息融合的方法将回归与分类的结果进行融合。选择了模糊逻辑推理,将所得到的命中率作为隶属度,通过Mamdami模糊蕴含关系得到最终的隶属度,由对应的回归与分类值可以确定模糊控制规则表的输入量,随后就可以查表确定可采取的控制措施。最后,总结了全文的研究成果,讨论了进一步的研究方向。