基于核主成分分析与SVM的岩爆烈度组合预测模型

为了更好地预测岩土工程中的岩爆烈度,建立了基于多类型核函数的主成分分析方法与遗传算法或粒子群优化算法(GA/PSO)优化的支持向量机(SVM)相结合的组合预测模型。选取围岩最大切向应力σ_θ、岩石单轴抗拉强度σ_t、岩石单轴抗压强度σ_c、应力集中系数SCF、脆性指数B_1和B_2以及弹性应变能指数Wet共7个指标构成岩爆预测指标体系。基于统计的246个国内外岩爆实例数据,分别运用主成分分析和基于线性核函数、RBF核函数以及MLP核函数的主成分分析对数据进行预处理,得到2～4个线性无关的主成分。再将降维后的数据输入GA/PSO优化的SVM模型进行训练和预测。经测试,基于RBF核函数的主成分分析方法与PSO-SVM相结合的模型预测准确率达到了92.3%,为最佳组合模型,为岩土工程中的岩爆烈度预测提供了一种可靠的方法。     

基于组合算法的轧钢厂电耗预测

由于目前全国限电,钢铁厂耗电量高、电耗预测精度不高的问题亟待解决。将预处理后的热轧厂每天电耗作为预测模型的输入量,建立了最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型,并对LSSVM预测模型进行核函数选择仿真分析。采用一种智能寻优灰狼算法(grey wolf optimization, GWO)进行寻优仿真分析,以平均绝对误差为目标函数值,优化LSSVM惩罚参数和核函数参数,从而建立了GWO-LSSVM的电耗预测模型。以山钢日照热轧厂为例,采用所建立预测模型对日耗电量进行仿真分析,试验结果表明,GWO-LSSVM预测模型能达到较好的曲线拟合预测效果,预测精度较高,平均绝对误差(mean absolute error, MAE)为0.838。     

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PSO-RBF神经网络模型的岩爆倾向性预测

鉴于岩爆机理的复杂性以及岩爆发生前后信号提取困难的现状,对高应力区进行岩爆倾向性预测研究具有现实意义。为提高岩爆预测的准确性,基于岩爆预测多维非线性的特点,选取4个影响岩爆发生的核心指标作为判决依据,结合粒子群优化算法(PSO)与径向基神经网络(RBF)建立了PSO-RBF神经网络岩爆预测模型。采用试错法确定隐含层节点数后,进一步利用国内外典型工程数据对模型参数隐含层基函数中心ci,隐含层节点宽度σi以及隐含层与输出层间权重因子w进行学习优化以获取最优参数,并将所建立的模型应用于实际工程的岩爆倾向性预测。结果表明:利用该模型预测的岩爆等级与实际岩爆情况基本相符,相对误差率为10%,精度较以往预测方法有显著提高。     

基于支持向量机的高炉向凉、向热炉况预测

高炉冶炼过程中炉温是影响技术经济指标的关键参数,保持合理的炉温是高炉稳定顺行的关键因素。采用某炼铁厂在线采集的数据,通过核主元分析对建模数据进行预处理,根据相关系数选定模型参数,确定参数对炉温的滞后时间,基于支持向量机建立了高炉向凉、向热预测诊断模型。通过实例验证,该模型具有很高的精度。     

基于BFO-SVR模型的爆破振动速度预测应用

在爆破作业过程中,避免飞石和振动等不利影响;合理并准确的预测爆破的振动速度,特别是在复杂的工程地质条件下,对于提高现场的施工效益具有重要的意义.本文引用细菌觅食算法优化支持向量回归(BFO-SVR)预测模型,预测爆破开挖过程中的最大振动速度,而后对比分析SVR以及BP模型的预测值.结果显示:相比较于后两种预测模型,BF...     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。     

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...     

基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测

锡冶炼过程综合能源消耗占整个锡生产过程90%,存在很大节能潜力。针对锡冶炼过程综合能耗机理模型难以建立、导致预测准确度不高的问题,提出灰狼优化的支持向量机回归(GWO-SVR)模型用于锡冶炼过程综合能耗的预测,并以某锡冶炼厂为例,将所提模型与SVR、RF(随机森林)、BP(反向传播神经网络)、LR(线性回归)模型进行比较。结果表明,GWO-SVR模型可获得最理想的预测结果,在预测精度上相比于其他机器学习算法有着巨大优势。此外,使用SHAP值从全局解释和单样本解释两个方面解释所建立的GWO-SVR模型,可视化特征对输出的贡献,增加了GWO-SVR的可解释性,并以此制定可靠的节能策略。     

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...     

地下工程中基于人工神经网络的岩爆预测

通过收集国内外多个地下工程和矿山实际岩爆资料,分析了影响岩爆发生的主要因素,运用人工神经网络方法,建立了岩爆预测的人工神经网络模型,并根据某地下工程的实测参数,验证了预测模型的可靠性.结果表明,所建立的模型具有较高的预测精度.     

铝电解槽寿命预测研究

本文用支持向量机回归算法处理了某铝电解工厂150KA电解槽系列的有关铝电解槽寿命的工业数据（生产操作条件），分析了工业数据中有关铝电解槽寿命的主要影响因素．建立了铝电解槽寿命的定量预测（支持向量回归）模型，用留一法交叉验证方法分别检验了所建定量预测模型的预报能力。所建铝电解槽寿命定量预测模型的留一法交叉验证的误差小于18％。最后通过对已停电解槽进行验证预报证明了谊预测模型具有一定的可行性和实用性。     

基于核主成分分析与PSO-SVM的充填管道失效风险性分级评价模型

为了更精确地对充填管道失效风险性进行预测,建立核主成分分析与PSO-SVM相结合的评价模型。选取8项定量指标作为充填管道失效风险性的评价指标。统计15个矿山的样本数据,运用核主成分分析法对15个样本进行预处理,得出主成分,再利用改进的SVM模型进行预测,进而得到更加精确的管道失效风险性预测结果。研究结果表明,所得到的实际预测结果与期望值之间的平均相对误差控制在5%以内。利用核主成分分析法与PSO-SVM相结合的评价模型具有精度高和运算速度快的优点,为充填管道失效风险预测提供了一种可靠的方法。     

航空发动机阻燃钛合金力学性能预测及成分优化

采用支持向量机算法,在实验数据的基础上,建立航空发动机阻燃钛合金的合金化元素与力学性能关系模型,分析合金化元素对力学性能的影响规律。模型的输入参数为V、Al、Si和C元素,输出参数为室温拉伸性能（抗拉强度、屈服强度、延伸率和断面收缩率）。结果表明:各个力学性能支持向量机模型的线性相关系数均在0.975以上,具有较高的预测能力;各个力学性能测试样本实验值与模型预测值的绝对百分误差均在5%以内,具有良好的泛化能力,能够有效地反映出阻燃钛合金的合金化元素与力学性能之间的定量关系,进而实现对该合金的成分优化。对于Ti?35V?15Cr阻燃钛合金,可以通过加入质量分数为0～0.1%的Si元素和质量分数为0.05%～0.125%的C元素,并减少质量分数为2%～5%的V元素,来提高力学性能;对于Ti?25V?15Cr阻燃钛合金,可以通过加入质量分数为1.5%～1.8%的Al元素和质量分数为0.15%～0.2%的C元素,来提高力学性能。      

地下工程岩爆的倾向性预测

基于地下工程中岩爆的基本特征与影响因素,论述岩爆倾向性预测的基本思路、方法、主要流派与判据,引出基于储能岩石冲击性与岩体性态的倾向性预测指标体系;辅以广西大厂高峰矿100号矿体地下工程岩爆的倾向性预测实例,并就此提出相应的岩爆控制对策。     

岩爆预测方法的分析

系统地介绍了目前国内外有关岩爆预测方法并进行了分类, 重点评述了这些方法在实际应用中的情况, 并提出了一些看法。这对以后如何建立更有效、更实用的岩爆预测方法有一定的参考意义。      

基于ICEEMDAN-KPCA-RVM的铁水温度预测

为解决高炉铁水温度传统单一预测模型存在的模型精度不高、鲁棒性差等难题,提出了一种融合改进的自适应噪声完备集合经验模态分解(intrinsic computing expressive empirical mode decomposition with adaptive noise, ICEEMDAN)、核主成分分析(kernel principal component analysis, KPCA)和相关向量机(relevance vector machine, RVM)的组合模型来精准和稳定预测铁水温度。首先,利用ICEEMDAN对铁水温度时间序列进行分解,以获取若干本征模态函数。然后,利用KPCA对钢铁生产过程中的多维关键变量进行降维处理,提取关键变量的主要特征。最后,利用RVM对降维后的变量分别预测铁水温度时间序列,得到铁水温度的累加预测结果。结果表明,相较于传统的自适应噪声完备集合经验模态分解模型(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),新模型的均方根误差(root...     

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。     

基于主成分分析—支持向量机模型的矿岩可爆性等级预测研究

矿岩可爆性等级的准确评判对爆破开挖设计以及岩土工程的安全稳定具有重要意义。通过综合考虑岩体固有属性与实际爆破效果对矿岩可爆性等级的影响,选取了岩体声波、波阻抗、爆破漏斗体积、大块率、小块率和平均合格率共6类指标,进行可爆性预测研究。为消除影响指标之间的信息重叠,针对55个矿岩样本数据集的大量信息,采用主成分分析法降维,提取得到包含98.38%原始信息的4类主成分,最后引入支持向量机模型对可爆性等级进行预测研究。研究结果表明：（1）与原始SVM模型相比,基于主成分分析法—支持向量机的预测模型不仅降低了数据的维度,同时使得矿岩可爆性等级预测准确率由78.5%提高至90.1%;（2）基于主成分分析法—支持向量机预测模型的评判结果与实际情况较为吻合,少量误判主要发生在部分特征差异性较小的矿岩样本之间。基于分层随机抽样技术的PCA-SVM预测模型,保证了训练集与测试集样本数据的随机性和差异性,对研究指标维数较多且部分指标间相关性较强的数据模型具有较强的适用性,对相似工程的研究具有一定的借鉴意义。