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.     

基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．     

基于KPLS与SVM的热连轧板凸度预测

热连轧作为典型的流程工业过程,具有多变量、强耦合、过程非线性的特点,轧制机理非常复杂。针对传统方法难以获得准确的数学模型从而导致板形质量预测精度较低的问题,采用基于数据驱动的核偏最小二乘 (KPLS) 方法以有效处理工艺参数和质量指标之间的非线性关系,以此为基础,建立了基于KPLS结合支持向量机(SVM)的板凸度预测模型,并采用粒子群优化算法 (PSO) 优化支持向量机参数,进一步提高热连轧板凸度预测精度。预测结果表明,96.86%的板凸度预测值绝对误差小于5.5 μm,整体具有较高的预测精度,对实现板形质量精确控制、提高热轧产品质量具有重要意义。     

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.     

基于数据驱动的高炉煤气复合预测模型

对钢铁企业高炉煤气系统科学准确的预测,可以为煤气的合理调度提供依据,对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题,依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划,对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集,利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试,该模型能够结合设备的实际生产工况变化,实现煤气的准确预测。结果表明,该模型平均绝对百分比误差小于4.95%,对变工况煤气系统有较好的预测效果。     

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.     

基于深度置信网络的连铸坯偏析等级预测研究

连铸坯中心偏析缺陷的准确预测对于连铸坯稳定生产、提升连铸质量具有重要意义。为精准预测连铸坯中心偏析缺陷,建立连铸坯偏析等级的深度学习模型,该模型应用禁忌搜索的超参数优化法,对DBN模型的网络层和回归层进行优化,提高了偏析预测的准确率。研究表明,基于DBN-SVR模型的连铸坯中心偏析预测精度较好。     

基于KPCA-IPSO-LSSVM的充填管道磨损风险预测

为克服传统预测模型存在的适用性差、预测精度不足和参数选取随意性强等缺陷,提出了一种将核主成分分析法(KPCA)、改进粒子群算法(IPSO)与最小二乘支持向量机(LSSVM)相结合的充填管道磨损风险预测新方法.通过KPCA对管道磨损影响因素进行特征提取,将提取结果作为LSSVM的输入,同时利用具有较强全局搜索能力的IPS...     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.001 2,仿真时间为0.423 105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.023 8,仿真时间为0.079 522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.001 5和0.001 4,仿真时间分别为1.32...     

基于全局优化支持向量机的多类别高炉故障诊断

针对高炉故障诊断系统快速性和准确性的要求,提出基于全局优化最小二乘支持向量机的策略.首先,采用变尺度离散粒子群对最小二乘支持向量机的参数和故障特征的选取进行优化;然后,利用核主元分析法对选取的特征向量进行压缩整理;最后,构造了以Fisher线性判别率为标准的启发式纠错输出编码.仿真结果表明,通过对故障训练样本有意义地分割重组,用较少的最小二乘支持向量机分类器,得到较高的故障判断准确率且增强了整个系统的实时性.     

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LS-SVM的粘结NdFeB永磁体磁性能预测

基于粘结NdFeB永磁体制备工艺优化实验,建立了一个最小二乘支持向量机(LS- SVM)算法模型用于工艺参数的优化.以粘结剂含量、固化温度、固化时间以及单位压制力大小四个工艺参数为影响因数,以剩余磁感应强度Br、矫顽力Hcj;和最大磁能积(BH)m为影响对象,通过最小二乘支持向量机算法模型建立起影响因素与影响对象之间的复杂的非线形关系.针对多影响对象,提出了一种γ和σ选择算法;以均匀设计试验结果为样本进行训练,用训练好的模型进行预测.结果表明,LS - SVM模型的实验结果与预测结果吻合良好,二者相对误差很小,对比ANN模型预测结果,LS - SVM模型具有更高的精度和运算速度,具有很好的实用性.     

基于LS-SVM的氧化铝粉流量软测量建模

针对电解铝厂生产过程中氧化铝输送流量无法在线精确计量问题,应用最小二乘支持向量机回归估计方法,建立了氧化铝输送中氧化铝粉流量的软测量模型,并采用实际数据进行仿真.仿真结果表明,该预测模型的估计值与实际分析值吻合较好,从而验证了软测量技术对氧化铝粉流量准确估算的有效性.     

一种基于最小二乘支持向量机法的常见废弃塑料分类方法

将最小二乘支持向量机法(LS_SVM)应用于中红外光谱分析,建立一种新的对常见废弃塑料进行分类的方法.依据不同类别的塑料在红外波段具有不同的特征吸收峰,采用LS_SVM方法对塑料的中红外光谱数据进行处理,并与全局相关法、系统比较法进行比较.实验结果表明,LS_SVM进行分类的正确率为0.92.与全局相关法和系统比较法相比,LS_SVM分类正确率较高,其解决小样本问题效果显著,可应用于常见废弃塑料的分类.     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

基于支持向量机的高炉炉况诊断方法

现实中高炉炉况的征兆样本集是有限的,常规的基于经验风险最小化原则的方法的应用效果并不理想.支持向量机方法是针对小样本集分类问题提出的,具有很好的泛化能力,因此采用最小二乘法支持向量机进行高炉炉况诊断.通过仿真试验证实此方法具有很好的诊断效果.     

基于最小二乘支持向量机的机组能耗曲线拟合

电厂能耗曲线的拟合不仅是进行机组优化的前提,而且对于检测机组的稳定性和可靠性都具有重要意义.首先用模糊聚类算法对大量数据进行分类整理,从中找出最能反映机组稳定运行时的一些数据,然后利用最小二乘支持向量机回归理论对能耗曲线进行拟合.通过对贵州某电厂的能耗曲线进行实际拟合,表明此方法速度快,误差小,拟合精度高,可以满足实际需求.     

基于集成特征选择和SVR的热连轧板凸度预测

热连轧板凸度作为评价板形质量的关键指标,具有多变量、非线性、遗传性等复杂特性。传统的热连轧板凸度模型存在机理复杂、理论情况与实际情况存在差异以及模型精度受限等问题。为了解决这些问题,提出了一种基于集成特征选择和支持向量回归的热连轧板凸度预测模型。首先,建立了基于随机森林(Random Forest, RF)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)和梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的集成学习模型,综合应用这些基学习器可以充分挖掘数据中的特征信息;其次,通过集成学习模型对基学习器得到的特征重要性进行加权融合,并根据融合后的特征重要性排序来筛选最具有信息量的模型输入特征,可有效地降低特征维度;然后,采用灰狼优化算法(Grey Wolf Optimization, GWO)来优化支持向量机回归(Support Vector Regression, SVR)预测模型中的参数,其不仅能够消除传统人工参数选择的主观性和盲目性,还能更好地适应数据的特性;最后,将筛选后的特征输入到参数优化的SVR预...     

基于核主成分分析的热连轧断带故障诊断

热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差(SPE)统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。