排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
基于45 t转炉炼钢实际生产数据,通过数据预处理和互信息(MI)法进行特征选择,采用贝叶斯算法(BOA)优化BP神经网络模型、支持向量回归机(SVR)模型和LGBM模型的参数,预测转炉吹炼的耗氧量。用1 176炉的实际生产数据对模型进行训练,504炉的数据用于验证模型的预测效果。结果表明,在预测的氧气体积偏差分别为±50、±40、±30 m3的范围下,LGBM模型的预测命中率分别为94.04%、85.91%、76.58%。与SVR模型和BP神经网络模型相比较,LGBM模型有着更高的预测精度和稳定性以及更强的泛化能力。 相似文献
2.
利用100 t转炉出钢合金化数据,通过数据预处理和采用皮尔逊相关系数(Pearson correlation coefficient)进行特征选择,用非数值型变量—钢种作为其中的一个特征变量,采用SVR (Support Vector Regression,支持向量机回归)算法,建立出钢合金化硅铁加入量模型。引入钢种作为特征变量后建立的转炉出钢合金化硅铁加入量SVR模型,误差在±40 kg、±30 kg、±20 kg的范围下,预测的命中率分别为94.84%、87.58%、75.77%,而无钢种这一特征变量的SVR模型在相同的误差下的命中率分别为88.4%、80.61%、65.85%,表明采用钢种作为特征变量,提高了硅铁加入量预测模型准确度,对于实际出钢合金化具有更好的参考价值。 相似文献
3.
1