基于混合核PSO-LSSVM的轧制力预测

为了提高板带热连轧轧制力预测精度,建立了利用粒子群优化的混合核最小二乘支持向量机(PSOLSSVM)的预测模型,并将最小二乘支持向量机模型与传统数学模型进行组合,得到组合模型,以进一步提高预测精度。通过采集现场数据,对模型进行训练并离线仿真。结果表明,PSO-LSSVM有更强的学习能力和泛化能力,预测精度得到很大提高,该方法在实际应用中具有很大潜力。     

单桩竖向极限承载力预测模型分析

提出了一种基于最小二乘支持向量机在单桩竖向极限承载力预测方法,建立了单桩竖向极限承载力预测的最小二乘支持向量机模型。     

基于主客观证据融合的高炉悬料预测方法

针对高炉关键异常炉况悬料难以预测的问题,基于D-S证据理论,提出一种综合模糊专家推理和后验概率最小二乘支持向量机的悬料预测方法.首先,结合高炉生产过程和悬料现象,分析悬料形成的内在机理;其次,通过模糊专家推理提取基于专家规则的主观证据,再通过建立后验概率最小二乘支持向量机模型提取基于数据内在客观规律的客观证据;最后,基于D-S证据理论完成主客观证据融合,实现悬料预测.该方法充分利用专家经验和最小二乘支持向量机的自学习能力,能够提高预测精度.仿真结果表明本文提出的方法有效、准确.      

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

基于最小二乘支持向量机的结晶器液面预测控制

 针对连铸过程的结晶器液面控制问题,提出了基于最小二乘支持向量机技术的预测模型的预测控制方法。利用最小二乘支持向量机对非线性过程建立预测模型,采用非线性预测控制方法进行控制。以结晶器液面控制过程为控制对象进行仿真,仿真结果表明,最小二乘支持向量机的建模方法可以有效地建立预测模型并且具有较好的泛化能力,基于这种预测模型的预测控制具有很好的控制性能。     

支持向量机在铁水硅含量预报中的应用

支持向量机是基于统计学习理论发展而来的一种机器学习算法,它能较好地解决非线性、高维数、小样本、局部极小点等实际问题。本文提出了使用最小二乘支持向量机模型预测高炉铁水硅含量的方法,以山东莱钢1号高炉在线采集数据作为应用案例。结果表明最小二乘支持向量机模型预测高炉铁水硅含量命中率可达到85%以上。     

基于支持向量机的连铸板坯表面温度预测

提出了一种最小二乘支持向量机的连铸板坯表面温度预测新模型.以中间罐温度、拉速、二冷水量等主要工艺因素为输入,连铸坯表面温度为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以现场采集的连铸生产工艺数据为样本对模型进行学习训练,用训练好的模型预测在一定工艺条件下板坯的表面温度.实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

基于DBN-LSSVM的热连轧带钢厚度预测

为提高热连轧带钢精轧厚度预测精度,建立了通过深度置信网络(deep belief network,简称DBN)提取特征的最小二乘支持向量机回归模型(DBN-LSSVM),并且利用粒子群优化算法(particle swarm optimization,简称PSO)优化最小二乘支持向量机(least squares support vector machine,简称LSSVM)相关超参数。通过采集某热连轧带钢生产线实时现场数据,对所提出厚度预测模型进行训练和离线仿真。结果表明,基于DBN-LSSVM的预测模型具有良好的学习能力和泛化性,DBN-LSSVM模型的预测精度较传统BP算法和DBN-BP算法有显著提高,该厚度预测模型在生产实践中具有很好的应用前景。     

贝叶斯框架下的LS-SVM在热连轧机轧制力预报中的应用

利用贝叶斯置信框架推断最小二乘支持向量机模型参数并建立贝叶斯最小二乘支持向量机非线性预测模型.在推断第1层确定模型最优参数,第2层确定正则化参数,第3层确定核参数.将该模型用于某1800热连轧轧制力的预测,在预测精度和速度上都取得了较好的效果.