排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
2.
3.
4.
基于260 t转炉炼钢实际生产数据,用RF(Random Forests,随机森林)、LGBM(Light Gradient Boosting Machine,轻量级梯度提升机)和Stacking集成三种不同机器学习算法建立了转炉炼钢终点磷锰预测模型。通过相关理论分析和皮尔逊相关系数法确定了模型输入变量,对比三种集成学习模型的终点命中率,表明Stacking集成模型的预测性能最好,在预测终点磷质量分数误差为±0.001%、±0.001 5%时的终点命中率分别为86.3%、97.1%,在预测终点锰质量分数误差为±0.008%、±0.01%时的命中率分别为83.4%、94.4%。 相似文献
5.
7.
8.
基于260 t转炉实际生产数据,通过机器学习算法XGBoost(eXtreme Gradient Boosting,极限梯度提升树)、弹性回归、线性回归、AdaBoost(Adaptive Boosting,自适应提升树)四种算法建立了终渣主要成分CaO、SiO2、TFe和MgO的预测模型。通过优化调参,XGBoost终渣成分预测模型的决定系数R2均在0.8以上。溅渣时间模型采用SVR(Support Vector Regression,支持向量机回归)、LGBM (Light Gradient Boosting Machine,轻量梯度提升机回归)、GBDT(Gradient Boosting Decision Tree,梯度提升树回归)、RF(Random Forest,随机森林)和XGBoost五种算法进行建模。通过探究,将SVR、XGBoost、GBDT算法使用集成方法得到Stacking集成溅渣时间预测模型,Stacking集成溅渣时间预测模型提升了单个模型的预测效果,偏差为±20 s的预测命中率达89.95%。 相似文献
9.
10.
1