基于Elman-Adaboost模型的高炉铁水硅含量回归与分类预测研究
发布时间：2020-12-16 07:20
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 S...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图２．?３?ｓｉｇｍｏｉｄ函数的图示??
学硕士学位论文?第三章基于Ｅｌｍａｎ－Ａｄａｂｏｏｓｔ模型的高炉铁水硅含量表３．?３两个参数取值不同的强回归器模型的误差均方值比较??参数?Ａ／?＝?５、／／?＝?２０?Ｍ?＝?２０、／／?＝?５??ＭＳＥ?０．００２８４?０．００２７２??Ｍ?＝?５、ｉｆ?＝?２０与Ｍ?＝?２０、／／二５时的预测误差绝对值曲线分别如图?１５所不。对比图３．?１４、图３．?１５，可以看出图３．?１５中强回归器的误于０．１的比例较高，误差普遍较小。??通过以上分析，选择结构为１２－５－１的Ｅｌｍａｎ神经网络为弱回归器，数目为２０，组成最优ＭＥＡＳＰ，其平均命中率为９４．８０％，误差均７２，预测结果中真实值与预测值的比较如图３．?１６所示。从图３．?１６，预测值能较好地与真实值的变化同步。??．￣ｒ?－?Ｉ－－
学硕士学位论文?第三章基于Ｅｌｍａｎ－Ａｄａｂｏｏｓｔ模型的高炉铁水硅含量表３．?３两个参数取值不同的强回归器模型的误差均方值比较??参数?Ａ／?＝?５、／／?＝?２０?Ｍ?＝?２０、／／?＝?５??ＭＳＥ?０．００２８４?０．００２７２??Ｍ?＝?５、ｉｆ?＝?２０与Ｍ?＝?２０、／／二５时的预测误差绝对值曲线分别如图?１５所不。对比图３．?１４、图３．?１５，可以看出图３．?１５中强回归器的误于０．１的比例较高，误差普遍较小。??通过以上分析，选择结构为１２－５－１的Ｅｌｍａｎ神经网络为弱回归器，数目为２０，组成最优ＭＥＡＳＰ，其平均命中率为９４．８０％，误差均７２，预测结果中真实值与预测值的比较如图３．?１６所示。从图３．?１６，预测值能较好地与真实值的变化同步。??．￣ｒ?－?Ｉ－－
【参考文献】：
期刊论文
[1]面向跟踪系统的多传感器信息融合鲁棒保性能协方差交叉Kalman估计方法[J]. 杨智博,杨春山,邓自立. 电子学报. 2017(07)
[2]基于多传感器信息融合的轮履混合移动机器人路况识别方法[J]. 弓鹏伟,费燕琼,宋立博. 上海交通大学学报. 2017(04)
[3]改进型EMD-Elman神经网络在铁水硅含量预测中的应用[J]. 宋菁华,杨春节,周哲,刘文辉,马淑艳. 化工学报. 2016(03)
[4]基于BP-Adaboost强预测器的瓦斯涌出量预测[J]. 张天兴,毕建武. 资源开发与市场. 2014(11)
[5]基于Adaboost算法和BP神经网络的税收预测[J]. 李翔,朱全银. 计算机应用. 2012(12)
[6]基于Elman_AdaBoost强预测器的目标威胁评估模型及算法[J]. 王改革,郭立红,段红,刘逻,王鹤淇. 电子学报. 2012(05)
[7]复杂高炉炼铁过程的数据驱动建模及预测算法[J]. 郜传厚,渐令,陈积明,孙优贤. 自动化学报. 2009(06)
[8]基于WA-SVM模型的高炉铁水含硅量预测[J]. 王义康,郜传厚. 中国冶金. 2009(04)
[9]基于隐Markov模型的高炉铁水硅质量分数预测算法[J]. 曾九孙,刘祥官,郜传厚,罗世华. 浙江大学学报(工学版). 2008(05)
[10]基于改进的C-C方法的相空间重构参数选择[J]. 陆振波,蔡志明,姜可宇. 系统仿真学报. 2007(11)
博士论文
[1]基于非线性分析的海杂波处理与目标检测[D]. 许小可.大连海事大学 2008
[2]Elman神经网络与进化算法的若干理论研究及应用[D]. 时小虎.吉林大学 2006
硕士论文
[1]基于支持向量机的高炉铁水硅含量预测[D]. 马淑艳.浙江大学 2016
[2]高炉冶炼过程的多尺度特性与硅含量预测方法研究[D]. 宋菁华.浙江大学 2016
[3]基于多传感器信息融合的移动机器人避障系统研究[D]. 高慧英.哈尔滨工业大学 2010
本文编号：2919769
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图２．?３?ｓｉｇｍｏｉｄ函数的图示??
学硕士学位论文?第三章基于Ｅｌｍａｎ－Ａｄａｂｏｏｓｔ模型的高炉铁水硅含量表３．?３两个参数取值不同的强回归器模型的误差均方值比较??参数?Ａ／?＝?５、／／?＝?２０?Ｍ?＝?２０、／／?＝?５??ＭＳＥ?０．００２８４?０．００２７２??Ｍ?＝?５、ｉｆ?＝?２０与Ｍ?＝?２０、／／二５时的预测误差绝对值曲线分别如图?１５所不。对比图３．?１４、图３．?１５，可以看出图３．?１５中强回归器的误于０．１的比例较高，误差普遍较小。??通过以上分析，选择结构为１２－５－１的Ｅｌｍａｎ神经网络为弱回归器，数目为２０，组成最优ＭＥＡＳＰ，其平均命中率为９４．８０％，误差均７２，预测结果中真实值与预测值的比较如图３．?１６所示。从图３．?１６，预测值能较好地与真实值的变化同步。??．￣ｒ?－?Ｉ－－
学硕士学位论文?第三章基于Ｅｌｍａｎ－Ａｄａｂｏｏｓｔ模型的高炉铁水硅含量表３．?３两个参数取值不同的强回归器模型的误差均方值比较??参数?Ａ／?＝?５、／／?＝?２０?Ｍ?＝?２０、／／?＝?５??ＭＳＥ?０．００２８４?０．００２７２??Ｍ?＝?５、ｉｆ?＝?２０与Ｍ?＝?２０、／／二５时的预测误差绝对值曲线分别如图?１５所不。对比图３．?１４、图３．?１５，可以看出图３．?１５中强回归器的误于０．１的比例较高，误差普遍较小。??通过以上分析，选择结构为１２－５－１的Ｅｌｍａｎ神经网络为弱回归器，数目为２０，组成最优ＭＥＡＳＰ，其平均命中率为９４．８０％，误差均７２，预测结果中真实值与预测值的比较如图３．?１６所示。从图３．?１６，预测值能较好地与真实值的变化同步。??．￣ｒ?－?Ｉ－－
【参考文献】：
期刊论文
[1]面向跟踪系统的多传感器信息融合鲁棒保性能协方差交叉Kalman估计方法[J]. 杨智博,杨春山,邓自立. 电子学报. 2017(07)
[2]基于多传感器信息融合的轮履混合移动机器人路况识别方法[J]. 弓鹏伟,费燕琼,宋立博. 上海交通大学学报. 2017(04)
[3]改进型EMD-Elman神经网络在铁水硅含量预测中的应用[J]. 宋菁华,杨春节,周哲,刘文辉,马淑艳. 化工学报. 2016(03)
[4]基于BP-Adaboost强预测器的瓦斯涌出量预测[J]. 张天兴,毕建武. 资源开发与市场. 2014(11)
[5]基于Adaboost算法和BP神经网络的税收预测[J]. 李翔,朱全银. 计算机应用. 2012(12)
[6]基于Elman_AdaBoost强预测器的目标威胁评估模型及算法[J]. 王改革,郭立红,段红,刘逻,王鹤淇. 电子学报. 2012(05)
[7]复杂高炉炼铁过程的数据驱动建模及预测算法[J]. 郜传厚,渐令,陈积明,孙优贤. 自动化学报. 2009(06)
[8]基于WA-SVM模型的高炉铁水含硅量预测[J]. 王义康,郜传厚. 中国冶金. 2009(04)
[9]基于隐Markov模型的高炉铁水硅质量分数预测算法[J]. 曾九孙,刘祥官,郜传厚,罗世华. 浙江大学学报(工学版). 2008(05)
[10]基于改进的C-C方法的相空间重构参数选择[J]. 陆振波,蔡志明,姜可宇. 系统仿真学报. 2007(11)
博士论文
[1]基于非线性分析的海杂波处理与目标检测[D]. 许小可.大连海事大学 2008
[2]Elman神经网络与进化算法的若干理论研究及应用[D]. 时小虎.吉林大学 2006
硕士论文
[1]基于支持向量机的高炉铁水硅含量预测[D]. 马淑艳.浙江大学 2016
[2]高炉冶炼过程的多尺度特性与硅含量预测方法研究[D]. 宋菁华.浙江大学 2016
[3]基于多传感器信息融合的移动机器人避障系统研究[D]. 高慧英.哈尔滨工业大学 2010
本文编号：2919769
本文链接：https://www.wllwen.com/projectlw/yjlw/2919769.html
