基于A-LSTM算法的烧结矿质量预测

发布时间：2024-05-10 22:14

　　针对烧结厂烧结杯实验周期长等问题,构建一种A-LSTM的烧结矿质量预测模型。在LSTM网络基础上借鉴注意力机制思想,通过权重再分配使网络更加关注训练过程中的非冗余数据。为减少损失函数在训练过程中的震荡,提出加权均方误差损失计算方式,考虑每轮输入数据缺失值占总体的比重,使模型预测更为准确。实验结果表明,A-LSTM预测方法准确率可达92.7%,相比于原始LSTM,预测准确率提升了1.9%。

【文章页数】：6 页

【部分图文】：

图8FeO含量预测与部分浅层网络对比

图7CaO含量预测与部分深层网络对比图9FeO含量预测与部分深层网络对比

图9FeO含量预测与部分深层网络对比

图8FeO含量预测与部分浅层网络对比从可视化曲线可以看出，A-LSTM烧结矿质量预测方法与LSTM、BP、Elman、DBN等相比，预测结果相对误差较低。本文融合不同粒度特征建立基于注意力机制的LSTM(A-LSTM）烧结矿质量预测方法，在RMSE与R2两个指标上表现良好。对....

图5SiO2含量预测与部分深层网络对比

图4SiO2含量预测与部分浅层网络对比图6CaO含量预测与部分浅层网络对比

图6CaO含量预测与部分浅层网络对比

图5SiO2含量预测与部分深层网络对比图7CaO含量预测与部分深层网络对比

本文编号：3969091