基于Elman?Adaboost強(qiáng)預(yù)測(cè)器的鐵水硅含量預(yù)測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于Elman?Adaboost強(qiáng)預(yù)測(cè)器的鐵水硅含量預(yù)測(cè)方法，屬于工業(yè)過(guò)程監(jiān)控、建模和仿真領(lǐng)域。首先，選擇合適的輸入變量，歸一化后作為K個(gè)弱預(yù)測(cè)器的輸入；其次，確定訓(xùn)練樣本的初始權(quán)值；然后，分別進(jìn)行K個(gè)弱預(yù)測(cè)器的訓(xùn)練，并根據(jù)其訓(xùn)練結(jié)果更新樣本的權(quán)值，反復(fù)訓(xùn)練；最后，計(jì)算弱預(yù)測(cè)器的權(quán)重，融合多個(gè)弱預(yù)測(cè)器以得到強(qiáng)預(yù)測(cè)器的預(yù)測(cè)結(jié)果。高爐煉鐵過(guò)程的動(dòng)態(tài)性使鐵水硅含量的預(yù)測(cè)精度不高，本發(fā)明針對(duì)這一問(wèn)題，選擇動(dòng)態(tài)性能較好的Elman神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，并通過(guò)Adaboost算法融合多個(gè)弱預(yù)測(cè)器以得到Elman?Adaboost強(qiáng)預(yù)測(cè)器，該模型應(yīng)用于硅含量的預(yù)測(cè)研究尚屬空白。本發(fā)明相比現(xiàn)有方法對(duì)于鐵水硅含量的預(yù)測(cè)具有更高的精度。
【專利說(shuō)明】
基于EI man-Adaboost強(qiáng)預(yù)測(cè)器的鐵水娃含量預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001 ] 本發(fā)明屬于工業(yè)過(guò)程監(jiān)控、建模和仿真領(lǐng)域，特別涉及一種基于Elman-Adaboost 強(qiáng)預(yù)測(cè)器的鐵水硅含量預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 鋼鐵工業(yè)的生產(chǎn)水平是衡量一個(gè)國(guó)家工業(yè)自動(dòng)化程度的標(biāo)準(zhǔn)之一，而高爐煉鐵是 鋼鐵工業(yè)中的核心單元操作。高爐煉鐵是將鐵礦石還原成鐵的過(guò)程，具有時(shí)變、非線性、多 尺度和動(dòng)態(tài)性等特征。鐵水中的硅含量是反映生鐵質(zhì)量和生產(chǎn)過(guò)程熱狀態(tài)的一個(gè)重要變 量，硅含量高預(yù)示著爐內(nèi)焦炭剩余，硅含量低預(yù)示著爐內(nèi)能量?jī)?chǔ)備耗盡。較低的硅含量不僅 能使生鐵質(zhì)量穩(wěn)定，節(jié)省能量，而且能避免冷卻爐床時(shí)產(chǎn)生爐缸凍結(jié)，所以應(yīng)控制硅含量在 一個(gè)較低的范圍內(nèi)平穩(wěn)波動(dòng)。但是由于高爐內(nèi)變量的復(fù)雜時(shí)空分布與物理化學(xué)反應(yīng)，高爐 內(nèi)高溫、高壓與腐蝕性的環(huán)境以及高爐結(jié)構(gòu)的封閉性，很難直接測(cè)量出鐵水中的硅含量。
[0003] 因此，許多學(xué)者致力于硅含量的軟測(cè)量方法，即對(duì)硅含量建立數(shù)學(xué)模型，通過(guò)容易 測(cè)量的量間接預(yù)測(cè)硅含量。研究初期，大多學(xué)者通過(guò)建立機(jī)理模型（白箱模型）來(lái)預(yù)測(cè)硅含 量，但是由于機(jī)理模型建立在大量假設(shè)與簡(jiǎn)化的前提下，其預(yù)測(cè)精度不高。隨著計(jì)算機(jī)軟硬 件和傳感器技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的黑箱模型受到了廣泛的關(guān)注。工業(yè)大數(shù)據(jù)時(shí)代為 黑箱建模提供了海量的數(shù)據(jù)，黑箱建模不需要了解過(guò)程的機(jī)理而完全通過(guò)數(shù)據(jù)來(lái)捕捉過(guò)程 變量間錯(cuò)綜復(fù)雜的關(guān)系。用于硅含量預(yù)測(cè)的數(shù)據(jù)驅(qū)動(dòng)方法主要有支持向量機(jī)、模糊邏輯、 Wiener模型、混沌模型和神經(jīng)網(wǎng)絡(luò)。
[0004] 神經(jīng)網(wǎng)絡(luò)由于其通用的擬合非線性函數(shù)的能力被廣泛用于建立預(yù)測(cè)硅含量的數(shù) 據(jù)驅(qū)動(dòng)黑箱模型上。BP神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的學(xué)習(xí)能力以及簡(jiǎn)單的結(jié)構(gòu)成為神經(jīng)網(wǎng)絡(luò)中應(yīng)用 最廣泛的模型之一。但是BP神經(jīng)網(wǎng)絡(luò)為前饋型網(wǎng)絡(luò)，其動(dòng)態(tài)性能較差，而Elman神經(jīng)網(wǎng)絡(luò)是 一種反饋型網(wǎng)絡(luò)，比起B(yǎng)P神經(jīng)網(wǎng)絡(luò)多了一個(gè)特殊的結(jié)構(gòu)節(jié)點(diǎn)，該結(jié)構(gòu)節(jié)點(diǎn)用來(lái)記憶隱層單 元以前的輸出值，能夠表達(dá)輸入與輸出間的時(shí)間延遲，因此具有良好的動(dòng)態(tài)性能。
[0005] Boosting算法最早由Schapire提出，但該算法要求弱學(xué)習(xí)算法學(xué)習(xí)正確的下限必 須已知。隨后，F(xiàn)reund和Schapire改進(jìn)了該算法，提出了 Adaboost算法。Adaboost算法不需 要有關(guān)弱學(xué)習(xí)算法的下限，所以在實(shí)際問(wèn)題中得到廣泛應(yīng)用。Adaboost算法被較多地應(yīng)用 于分類問(wèn)題上，而在回歸問(wèn)題上的研究較少。近年來(lái)較多學(xué)者將BP-Adaboost強(qiáng)預(yù)測(cè)器模型 應(yīng)用于回歸問(wèn)題上，這些研究大都將BP神經(jīng)網(wǎng)絡(luò)選為弱預(yù)測(cè)器，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)屬于靜態(tài)網(wǎng) 絡(luò)，不能有效反映輸入與輸出數(shù)據(jù)間的動(dòng)態(tài)性。
[0006] 雖然Elman神經(jīng)網(wǎng)絡(luò)在高爐鐵水娃含量的預(yù)測(cè)上有所應(yīng)用，但Elman-Adaboost強(qiáng) 預(yù)測(cè)器模型應(yīng)用于高爐鐵水硅含量的預(yù)測(cè)研究尚屬空白；而Elman-Adaboost強(qiáng)預(yù)測(cè)器模型 在目標(biāo)威脅估計(jì)上有所應(yīng)用，但兩種研究領(lǐng)域差別較大。因此，Elman-Adaboost強(qiáng)預(yù)測(cè)器模 型為高爐鐵水硅含量的預(yù)測(cè)提供了一種新的方法。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于Elman-Adaboost強(qiáng)預(yù)測(cè)器的 鐵水硅含量預(yù)測(cè)方法。該方法選擇Elman神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，然后利用Adaboost算法融 合多個(gè)弱預(yù)測(cè)器的結(jié)果以產(chǎn)生強(qiáng)預(yù)測(cè)器的結(jié)果，得到基于Elman-Adaboost強(qiáng)預(yù)測(cè)器的硅含 量預(yù)測(cè)模型，其方法簡(jiǎn)單，計(jì)算效率高，預(yù)測(cè)精度高，符合工程實(shí)際的要求。因此，本方法在 解決高爐煉鐵過(guò)程存在的復(fù)雜動(dòng)態(tài)性時(shí)具有很大的優(yōu)勢(shì)，可以對(duì)鐵水硅含量實(shí)現(xiàn)有效的預(yù) 測(cè) 。
[0008] 一種基于Elman-Adaboost強(qiáng)預(yù)測(cè)器的鐵水硅含量預(yù)測(cè)方法，該方法的步驟如下：
[0009] 步驟一：訓(xùn)練樣本及歸一化，選擇輸入變量及其時(shí)滯，進(jìn)行歸一化處理后，將其作 為K個(gè)Elman神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器的輸入，K為自然數(shù)；
[0010]步驟二:初始化，隨機(jī)選擇m組為訓(xùn)練樣本，η組為測(cè)試樣本，確定訓(xùn)練樣本的初始 權(quán)值；
[0011] 步驟三:弱預(yù)測(cè)器預(yù)測(cè)，分別進(jìn)行Κ個(gè)弱預(yù)測(cè)器的訓(xùn)練，并根據(jù)其訓(xùn)練結(jié)果更新樣 本的權(quán)值，反復(fù)訓(xùn)練；
[0012] 步驟四：強(qiáng)預(yù)測(cè)器預(yù)測(cè)，確定弱預(yù)測(cè)器的權(quán)重，融合多個(gè)弱預(yù)測(cè)器以得到強(qiáng)預(yù)測(cè)器 的預(yù)測(cè)結(jié)果。
[0013] 步驟一所述的訓(xùn)練樣本及歸一化過(guò)程如下：
[0014] 1)選擇爐頂壓力、透氣性、噴煤、富氧率、爐頂溫度、壓差、料批、熱風(fēng)壓力、熱風(fēng)溫 度、熱風(fēng)流量、熱風(fēng)濕度和前一爐硅含量這12個(gè)變量作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，所述的12 個(gè)變量以j表示；
[0015] 2)選擇透氣性、噴煤、富氧率、熱風(fēng)溫度和熱風(fēng)流量的滯后步數(shù)分別為3、3、1、2、1， 即所實(shí)現(xiàn)的非線性模型為：
[0017] 式中，Xj⑴代表輸入變量，y(t)為輸出的娃含量，f( ·)為非線性函數(shù)；
[0018] 3)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，以統(tǒng)一數(shù)值較大的變量與數(shù)值較小的變量變化對(duì)輸出 影響的不平衡性：
[0020] 式中，Xj為歸一化處理前的變量，&為歸一化后的變量，max (Xj)為Xj中的最大值， min(xj)為xj中的最小值，處理后，將其作為K個(gè)Elman神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器的輸入。
[0021 ]步驟二所述的網(wǎng)絡(luò)初始化，初始訓(xùn)練樣本的權(quán)值為：
[0023]式中，Di⑴為訓(xùn)練第t個(gè)Elman神經(jīng)網(wǎng)絡(luò)時(shí)的第i個(gè)樣本的權(quán)值。
[0024] 步驟三所述的弱預(yù)測(cè)器預(yù)測(cè)過(guò)程如下：
[0025] 1)訓(xùn)練第t個(gè)弱預(yù)測(cè)器時(shí)，用訓(xùn)練數(shù)據(jù)訓(xùn)練弱預(yù)測(cè)器并預(yù)測(cè)訓(xùn)練數(shù)據(jù)的輸出，得到 弱預(yù)測(cè)器預(yù)測(cè)誤差 ei(t);
[0026] 2)更新樣本權(quán)值：
[0028] 式中，Θ為預(yù)先設(shè)定的值，使誤差較大的訓(xùn)練個(gè)體權(quán)重較大，下一次迭代更加關(guān)注 這些訓(xùn)練個(gè)體，更新后需對(duì)權(quán)值進(jìn)行歸一化處理，使權(quán)重不變下分布權(quán)值和為1。
[0029] 步驟四所述的強(qiáng)預(yù)測(cè)器預(yù)測(cè)過(guò)程如下：
[0030] 1)弱預(yù)測(cè)器權(quán)重a(t):
[0033] 式中，E(t)為m個(gè)樣本的訓(xùn)練誤差和，同樣需對(duì)a(t)做歸一化處理；
[0034] 2)使用測(cè)試樣本進(jìn)行預(yù)測(cè)得到K個(gè)弱預(yù)測(cè)器的輸出y(t)，則強(qiáng)預(yù)測(cè)器的輸出Y為：
[0036]適用于具有復(fù)雜動(dòng)態(tài)性的高爐煉鐵過(guò)程中的鐵水硅含量預(yù)測(cè)。
[0037]本發(fā)明有以下優(yōu)勢(shì)：
[0038] 1.本發(fā)明針對(duì)高爐煉鐵過(guò)程的動(dòng)態(tài)性導(dǎo)致鐵水硅含量現(xiàn)有預(yù)測(cè)方法精度較低的 問(wèn)題，提出一種基于Elman-Adaboost強(qiáng)預(yù)測(cè)器的鐵水硅含量預(yù)測(cè)方法。與其它現(xiàn)有的方法 相比，本發(fā)明充分考慮了高爐煉鐵的動(dòng)態(tài)性，預(yù)測(cè)精度高。Elman-Adaboost強(qiáng)預(yù)測(cè)器模型在 鐵水娃含量的預(yù)測(cè)研究中尚屬空白，說(shuō)明在眾多復(fù)雜的預(yù)測(cè)方法中選擇Elman-Adaboost強(qiáng) 預(yù)測(cè)器模型并將其應(yīng)用到高爐鐵水硅含量的預(yù)測(cè)中并非容易想到并容易實(shí)現(xiàn)的；
[0039] 2.本發(fā)明與改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鐵水硅含量的方法相比，都使用了 E1 m a η神經(jīng)網(wǎng)絡(luò)，但本發(fā)明結(jié)合了 A d a b ο 〇 s t算法，方法較簡(jiǎn)單，計(jì)算效率更高，預(yù)測(cè)精度更 高。因此，本方法在解決高爐煉鐵過(guò)程存在的復(fù)雜動(dòng)態(tài)性時(shí)具有較大的優(yōu)勢(shì)，可以對(duì)鐵水硅 含量實(shí)現(xiàn)有效的預(yù)測(cè)。
【附圖說(shuō)明】
[0040]圖1是本發(fā)明方法的流程框圖；
[0041 ]圖2是BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；
[0042]圖3是Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；
[0043]圖4是高爐煉鐵過(guò)程圖；
[0044]圖5是本發(fā)明方法對(duì)硅含量預(yù)測(cè)的結(jié)果。
【具體實(shí)施方式】
[0045] 本發(fā)明提出的一種基于Elman-Adaboost強(qiáng)預(yù)測(cè)器的鐵水硅含量預(yù)測(cè)方法，其流程 框圖如圖1所示，包括以下各步驟：
[0046] 步驟一所述的輸入變量及預(yù)處理過(guò)程如下：
[0047] 1)由于高爐內(nèi)機(jī)理復(fù)雜，許多變量與硅含量的變化有因果關(guān)系，故選擇爐頂壓力、 透氣性、噴煤、富氧率、爐頂溫度、壓差、料批、熱風(fēng)壓力、熱風(fēng)溫度、熱風(fēng)流量、熱風(fēng)濕度和前 一爐硅含量這12個(gè)變量作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，所述的12個(gè)變量以j表示；
[0048] 2)由于高爐內(nèi)具有多尺度效應(yīng)，不同聚相的物質(zhì)在高爐內(nèi)的滯留時(shí)間不同，當(dāng)前 時(shí)刻的輸入變量并非影響當(dāng)前時(shí)刻的硅含量，實(shí)驗(yàn)后選擇透氣性、噴煤、富氧率、熱風(fēng)溫度 和熱風(fēng)流量的滯后步數(shù)分別為3、3、1、2、1，即所實(shí)現(xiàn)的非線性模型為：
[0050] 式中，Xj(t)代表輸入變量，y(t)為輸出的硅含量，f( ·)為非線性函數(shù)；
[0051] 3)由于原始輸入數(shù)據(jù)單位各異，數(shù)量級(jí)不同，若直接輸入神經(jīng)網(wǎng)絡(luò)將導(dǎo)致數(shù)值大 的輸入變量的變化對(duì)輸出的影響大而數(shù)值小的輸入變量的變化影響小，為統(tǒng)一這種不平衡 性對(duì)數(shù)據(jù)進(jìn)行歸一化處理：
[0053] 式中，Xj為歸一化處理前的變量，^為歸一化后的變量，max(xj)為Xj中的最大值， min(xj)為xj中的最小值，處理后，將其作為K個(gè)Elman神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器的輸入。
[0054] Elman神經(jīng)網(wǎng)絡(luò)是一種反饋型網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖分 別如圖2和圖3所示。比起B(yǎng)P神經(jīng)網(wǎng)絡(luò)多了一個(gè)特殊的結(jié)構(gòu)節(jié)點(diǎn)，該結(jié)構(gòu)節(jié)點(diǎn)用來(lái)記憶隱層 單元以前的輸出值，能夠表達(dá)輸入與輸出間的時(shí)間延遲，因此具有良好的動(dòng)態(tài)性能，其數(shù)學(xué) 模型為：
[0055] x(t) = fi[wHx(t-l )+w1u(t~l) ] (1.3)
[0056] y(t) =f2[w2x(t) ] (1.4)
[0057] 式中，u(t)為輸入層節(jié)點(diǎn)的輸出，x(t)為隱層節(jié)點(diǎn)的輸出，x(t-l)為反饋層節(jié)點(diǎn)的 輸出，y(t)為輸出層節(jié)點(diǎn)的輸出，w 1為輸入層節(jié)點(diǎn)到隱層節(jié)點(diǎn)的權(quán)值矩陣，wH為反饋層節(jié)點(diǎn) 到隱層節(jié)點(diǎn)的權(quán)值矩陣，w2為隱層節(jié)點(diǎn)到輸出層節(jié)點(diǎn)的權(quán)值矩陣，·)和f 2( ·)分別為隱 層和輸出層的傳遞函數(shù)，分別選取雙曲正切傳遞函數(shù)和線性傳遞函數(shù)，網(wǎng)絡(luò)的訓(xùn)練算法選 取反向傳播算法；
[0058] 步驟二所述的網(wǎng)絡(luò)初始化，初始訓(xùn)練樣本的權(quán)值為：
[0060]式中，Di⑴為訓(xùn)練第t個(gè)Elman神經(jīng)網(wǎng)絡(luò)時(shí)的第i個(gè)樣本的權(quán)值。
[0061 ] 步驟三所述的弱預(yù)測(cè)器預(yù)測(cè)過(guò)程如下：
[0062] 1)訓(xùn)練第t個(gè)弱預(yù)測(cè)器時(shí)，用訓(xùn)練數(shù)據(jù)訓(xùn)練弱預(yù)測(cè)器并預(yù)測(cè)訓(xùn)練數(shù)據(jù)的輸出，得到 弱預(yù)測(cè)器預(yù)測(cè)誤差 ei(t);
[0063] 2)更新樣本權(quán)值：
[0065] 式中，Θ為預(yù)先設(shè)定的值，使誤差較大的訓(xùn)練個(gè)體權(quán)重較大，下一次迭代更加關(guān)注 這些訓(xùn)練個(gè)體，更新后需對(duì)權(quán)值進(jìn)行歸一化處理，使權(quán)重不變下分布權(quán)值和為1。
[0066] 步驟四所述的強(qiáng)預(yù)測(cè)器預(yù)測(cè)過(guò)程如下：
[0067] 1)弱預(yù)測(cè)器權(quán)重a(t):
[0070] 式中，E(t)為m個(gè)樣本的訓(xùn)練誤差和，同樣需對(duì)a(t)做歸一化處理；
[0071] 2)使用測(cè)試樣本進(jìn)行預(yù)測(cè)得到K個(gè)弱預(yù)測(cè)器的輸出y(t)，則強(qiáng)預(yù)測(cè)器的輸出Y為：
[0073]上述實(shí)施例用來(lái)解釋說(shuō)明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和 權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍。 [0074] 實(shí)施例
[0075] 高爐煉鐵是將鐵礦石還原成鐵的過(guò)程，具有時(shí)變、非線性、多尺度和動(dòng)態(tài)性等特 征。鐵水中的硅含量是反映生鐵質(zhì)量和生產(chǎn)過(guò)程熱狀態(tài)的一個(gè)重要變量，硅含量高預(yù)示著 爐內(nèi)焦炭剩余，硅含量低預(yù)示著爐內(nèi)能量?jī)?chǔ)備耗盡。較低的硅含量不僅能使生鐵質(zhì)量穩(wěn)定， 節(jié)省能量，而且能避免冷卻爐床時(shí)產(chǎn)生爐缸凍結(jié)，所以應(yīng)控制硅含量在一個(gè)較低的范圍內(nèi) 平穩(wěn)波動(dòng)。但是由于高爐內(nèi)變量的復(fù)雜時(shí)空分布與物理化學(xué)反應(yīng)，高爐內(nèi)高溫、高壓與腐蝕 性的環(huán)境以及高爐結(jié)構(gòu)的封閉性，很難直接測(cè)量出鐵水中的硅含量。
[0076] 高爐煉鐵過(guò)程如圖4所示。由高爐煉鐵過(guò)程可以看出，爐料的下行與熱煤氣的上 行，不同聚相物質(zhì)的進(jìn)料與出料，不同系統(tǒng)的啟停等都造成了高爐內(nèi)部復(fù)雜的動(dòng)態(tài)特性，使 對(duì)其硅含量的預(yù)測(cè)建模存在很大的難度。因此，我們提出的方法對(duì)高爐的鐵水硅含量預(yù)測(cè) 具有適應(yīng)性。下面結(jié)合柳鋼2號(hào)高爐現(xiàn)場(chǎng)采集200爐鐵水硅含量的數(shù)據(jù)來(lái)說(shuō)明本發(fā)明方法的 有效性。
[0077] 接下來(lái)結(jié)合該具體過(guò)程對(duì)本發(fā)明的實(shí)施步驟進(jìn)行詳細(xì)地闡述：
[0078] 步驟一所述的輸入變量及預(yù)處理過(guò)程如下：
[0079] 1)由于高爐內(nèi)機(jī)理復(fù)雜，許多變量與硅含量的變化有因果關(guān)系，故選擇爐頂壓力、 透氣性、噴煤、富氧率、爐頂溫度、壓差、料批、熱風(fēng)壓力、熱風(fēng)溫度、熱風(fēng)流量、熱風(fēng)濕度和前 一爐硅含量這12個(gè)變量作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，所述的12個(gè)變量以j表示；
[0080] 2)由于高爐內(nèi)具有多尺度效應(yīng)，不同聚相的物質(zhì)在高爐內(nèi)的滯留時(shí)間不同，當(dāng)前 時(shí)刻的輸入變量并非影響當(dāng)前時(shí)刻的硅含量，實(shí)驗(yàn)后選擇透氣性、噴煤、富氧率、熱風(fēng)溫度 和熱風(fēng)流量的滯后步數(shù)分別為3、3、1、2、1，即所實(shí)現(xiàn)的非線性模型為：
[0082]式中，Xj(t)代表輸入變量，y(t)為輸出的娃含量，f( ·)為非線性函數(shù)；
[0083] 3)由于原始輸入數(shù)據(jù)單位各異，數(shù)量級(jí)不同，若直接輸入神經(jīng)網(wǎng)絡(luò)將導(dǎo)致數(shù)值大 的輸入變量的變化對(duì)輸出的影響大而數(shù)值小的輸入變量的變化影響小，為統(tǒng)一這種不平衡 性對(duì)數(shù)據(jù)進(jìn)行歸一化處理：
[0085] 式中，Xj為歸一化處理前的變量，為歸一化后的變量，max(xj)為Xj中的最大值， min(xj)為xj中的最小值，處理后，將其作為K個(gè)Elman神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器的輸入。
[0086] Elman神經(jīng)網(wǎng)絡(luò)是一種反饋型網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖分 別如圖2和圖3所示。比起B(yǎng)P神經(jīng)網(wǎng)絡(luò)多了一個(gè)特殊的結(jié)構(gòu)節(jié)點(diǎn)，該結(jié)構(gòu)節(jié)點(diǎn)用來(lái)記憶隱層 單元以前的輸出值，能夠表達(dá)輸入與輸出間的時(shí)間延遲，因此具有良好的動(dòng)態(tài)性能，其數(shù)學(xué) 模型為：
[0087] x(t) = fi[wHx(t-l )+w1u(t~l) ] (1.3)
[0088] y(t) =f2[w2x(t) ] (1.4)
[0089] 式中，u(t)為輸入層節(jié)點(diǎn)的輸出，x(t)為隱層節(jié)點(diǎn)的輸出，x(t-l)為反饋層節(jié)點(diǎn)的 輸出，y(t)為輸出層節(jié)點(diǎn)的輸出，w 1為輸入層節(jié)點(diǎn)到隱層節(jié)點(diǎn)的權(quán)值矩陣，wH為反饋層節(jié)點(diǎn) 到隱層節(jié)點(diǎn)的權(quán)值矩陣，w2為隱層節(jié)點(diǎn)到輸出層節(jié)點(diǎn)的權(quán)值矩陣，·)和f 2( ·)分別為隱 層和輸出層的傳遞函數(shù)，分別選取雙曲正切傳遞函數(shù)和線性傳遞函數(shù)，網(wǎng)絡(luò)的訓(xùn)練算法選 取反向傳播算法；
[0090] 步驟二所述的網(wǎng)絡(luò)初始化，初始訓(xùn)練樣本的權(quán)值為：
[0092]式中，Di⑴為訓(xùn)練第t個(gè)Elman神經(jīng)網(wǎng)絡(luò)時(shí)的第i個(gè)樣本的權(quán)值。
[0093] 步驟三所述的弱預(yù)測(cè)器預(yù)測(cè)過(guò)程如下：
[0094] 1)訓(xùn)練第t個(gè)弱預(yù)測(cè)器時(shí)，用訓(xùn)練數(shù)據(jù)訓(xùn)練弱預(yù)測(cè)器并預(yù)測(cè)訓(xùn)練數(shù)據(jù)的輸出，得到 弱預(yù)測(cè)器預(yù)測(cè)誤差 ei(t);
[0095] 2)更新樣本權(quán)值：
[0097] 式中，Θ為預(yù)先設(shè)定的值，本實(shí)驗(yàn)中取為〇 . 〇5。更新權(quán)值使誤差較大的訓(xùn)練個(gè)體權(quán) 重較大，下一次迭代更加關(guān)注這些訓(xùn)練個(gè)體，更新后需對(duì)權(quán)值進(jìn)行歸一化處理，使權(quán)重不變 下分布權(quán)值和為1;
[0098] 步驟四所述的強(qiáng)預(yù)測(cè)器預(yù)測(cè)過(guò)程如下：
[0099] 1)弱預(yù)測(cè)器權(quán)重a(t):
[0102] 式中，E(t)為m個(gè)樣本的訓(xùn)練誤差和，同樣需對(duì)a(t)做歸一化處理；
[0103] 2)使用測(cè)試樣本進(jìn)行預(yù)測(cè)得到K個(gè)弱預(yù)測(cè)器的輸出y(t)，則強(qiáng)預(yù)測(cè)器的輸出Y為：
[0105]在200爐鐵水硅含量的數(shù)據(jù)中，隨機(jī)選取150爐數(shù)據(jù)作為訓(xùn)練樣本，50爐作為測(cè)試 樣本。選擇預(yù)測(cè)命中率J和誤差均方值MSE兩個(gè)指標(biāo)來(lái)比較預(yù)測(cè)精度的高低：
[0109] 式中為yi的預(yù)測(cè)值，均為歸一化后的值，Hi為Heaviside函數(shù)。預(yù)測(cè)命中率J和誤 差均方值MSE是冶金生產(chǎn)中用來(lái)衡量模型優(yōu)劣的重要指標(biāo)。J越大，MSE越小，預(yù)測(cè)精度越高。 [0110]通過(guò)反復(fù)實(shí)驗(yàn)，不斷優(yōu)化參數(shù)的取值，使預(yù)測(cè)精度進(jìn)一步提高。發(fā)現(xiàn)當(dāng)Elman神經(jīng) 網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為5,弱預(yù)測(cè)器個(gè)數(shù)K = 10時(shí)，平均命中率為94.8%，誤差均方值為 0.00272，預(yù)測(cè)效果如圖5所示。與改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鐵水硅含量的方法相比： 1)本發(fā)明方法較簡(jiǎn)單，更易理解；
[0112] 2)本發(fā)明選用200爐鐵水硅含量的數(shù)據(jù)，而后者選用了 1000爐數(shù)據(jù)，使用更少的訓(xùn) 練樣本和測(cè)試樣本，占用更少的內(nèi)存空間，計(jì)算效率更高，有利于大數(shù)據(jù)的分析，同時(shí)防止 了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的過(guò)擬合；
[0113] 3)本發(fā)明的平均命中率為94.8%，后者的命中率為93.78%，相比后者具有較高的 預(yù)測(cè)精度。
[0114]上述實(shí)施例用來(lái)解釋說(shuō)明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和 權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于Elman-Adaboost強(qiáng)預(yù)測(cè)器的鐵水娃含量預(yù)測(cè)方法，其特征在于，該方法的 步驟如下： 步驟一：訓(xùn)練樣本及歸一化，選擇輸入變量及其時(shí)滯，進(jìn)行歸一化處理后，將其作為K個(gè) Elman神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器的輸入，K為自然數(shù)； 步驟二:初始化，隨機(jī)選擇m組為訓(xùn)練樣本，η組為測(cè)試樣本，確定訓(xùn)練樣本的初始權(quán)值； 步驟Ξ:弱預(yù)測(cè)器預(yù)測(cè)，分別進(jìn)行Κ個(gè)弱預(yù)測(cè)器的訓(xùn)練，并根據(jù)其訓(xùn)練結(jié)果更新樣本的 權(quán)值，反復(fù)訓(xùn)練； 步驟四：強(qiáng)預(yù)測(cè)器預(yù)測(cè)，確定弱預(yù)測(cè)器的權(quán)重，融合多個(gè)弱預(yù)測(cè)器W得到強(qiáng)預(yù)測(cè)器的預(yù) 測(cè)結(jié)果。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟一所述的訓(xùn)練樣本及歸一化過(guò)程如 下： 1) 選擇爐頂壓力、透氣性、噴煤、富氧率、爐頂溫度、壓差、料批、熱風(fēng)壓力、熱風(fēng)溫度、熱 風(fēng)流量、熱風(fēng)濕度和前一爐娃含量運(yùn)12個(gè)變量作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，所述12個(gè)變量W j表不； 2) 選擇透氣性、噴煤、富氧率、熱風(fēng)溫度和熱風(fēng)流量的滯后步數(shù)分別為3、3、1、2、1，即所 實(shí)現(xiàn)的非線性模型為：(1.1) 式中，刮(*)代表輸入變量，y(t)為輸出的娃含量，f( ·)為非線性函數(shù)； 3) 對(duì)數(shù)據(jù)進(jìn)行歸一化處理，W統(tǒng)一數(shù)值較大的變量與數(shù)值較小的變量變化對(duì)輸出影響 的不平衡性：(1.2) 式中，xj為歸一化處理前的變量，^為歸一化后的變量，max(xj)為xj中的最大值，min (刮)為刮中的最小值，處理后，將其作為K個(gè)Elman神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器的輸入。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟二所述的網(wǎng)絡(luò)初始化初始訓(xùn)練樣本的 權(quán)值為：(2.1) 式中，Di(t)為訓(xùn)練第t個(gè)Elman神經(jīng)網(wǎng)絡(luò)時(shí)的第i個(gè)樣本的權(quán)值。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟Ξ所述的弱預(yù)測(cè)器預(yù)測(cè)過(guò)程如下： 1) 訓(xùn)練第t個(gè)弱預(yù)測(cè)器時(shí)，用訓(xùn)練數(shù)據(jù)訓(xùn)練弱預(yù)測(cè)器并預(yù)測(cè)訓(xùn)練數(shù)據(jù)的輸出，得到弱預(yù) 測(cè)器預(yù)測(cè)誤差ei(t); 2) 更新樣本權(quán)值：(3:.1) 式中，Θ為預(yù)先設(shè)定的值，使誤差較大的訓(xùn)練個(gè)體權(quán)重較大，下一次迭代更加關(guān)注運(yùn)些 訓(xùn)練個(gè)體，更新后需對(duì)權(quán)值進(jìn)行歸一化處理，使權(quán)重不變下分布權(quán)值和為1。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟四所述的強(qiáng)預(yù)測(cè)器預(yù)測(cè)過(guò)程如下： 1) 弱預(yù)測(cè)器權(quán)重a(t):式中，E(t)為m個(gè)樣本的訓(xùn)練誤差和，同樣需對(duì)a(t)做歸一化處理； 2) 使用測(cè)試樣本進(jìn)行預(yù)測(cè)得到K個(gè)弱預(yù)測(cè)器的輸出y(t)，則強(qiáng)預(yù)測(cè)器的輸出Y為：6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，適用于具有復(fù)雜動(dòng)態(tài)性的高爐煉鐵過(guò)程中 的鐵水娃含量預(yù)測(cè)。
【文檔編號(hào)】C21B5/00GK106096637SQ201610393666
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年6月6日 公開(kāi)號(hào)201610393666.7, CN 106096637 A, CN 106096637A, CN 201610393666, CN-A-106096637, CN106096637 A, CN106096637A, CN201610393666, CN201610393666.7
【發(fā)明人】楊春節(jié), 莊田, 王琳
【申請(qǐng)人】浙江大學(xué)