| 基于复合差分进化算法与极限学习机的高炉铁水硅含量预报 |
| |
| 引用本文： | 蒋朝辉,尹菊萍,桂卫华,阳春华.基于复合差分进化算法与极限学习机的高炉铁水硅含量预报[J].控制理论与应用,2016,33(8):1089-1095. |
| |
| 作者姓名： | 蒋朝辉 尹菊萍 桂卫华 阳春华 |
| |
| 作者单位： | 中南大学信息科学与工程学院,中南大学信息科学与工程学院,中南大学信息科学与工程学院,中南大学信息科学与工程学院 |
| |
| 基金项目： | 国家自然科学基金重大项目(61290325), 国家自然科学基金创新研究群体科学基金项目(61321003)资助. |
| |
| 摘 要： | 针对铁水硅含量无法直接在线检测的问题,本文提出了一种基于优化极限学习机(ELM)的高炉铁水硅含量预报方法.该方法利用复合差分进化算法(CoDE)的快速定位全局最优解的能力来优化极限学习机的输入权值和隐层节点阈值,在此基础上建立了基于复合差分进化算法优化极限学习机(CoDE-ELM)的高炉铁水硅含量预报模型.以某钢铁厂2650 m~3的高炉为例,利用实际采集数据进行模型检验,结果表明,当绝对误差小于0.1时,铁水硅含量的预报命中率为89%,均方根误差为0.047,实际目标值序列与预报值序列的相关系数为0.851.所建模型的预报结果优于支持向量机(SVM)、前馈神经网络(BP-NN)、极限学习机以及差分优化极限学习机(DE-ELM),对高炉炉温的实际调控具有较好的指导意义.
|
| 关 键 词： | 铁水硅含量 预报模型 复合差分 极限学习机 |
| 收稿时间： | 2015/8/24 0:00:00 |
| 修稿时间： | 6/1/2016 12:00:00 AM |
Prediction for blast furnace silicon content in hot metal based on composite differential evolution algorithm and extreme learning machine |
| |
| JIANG Zhao-hui,YIN Ju-ping,GUI Wei-hua and YANG Chun-hua.Prediction for blast furnace silicon content in hot metal based on composite differential evolution algorithm and extreme learning machine[J].Control Theory & Applications,2016,33(8):1089-1095. |
| |
| Authors: | JIANG Zhao-hui YIN Ju-ping GUI Wei-hua and YANG Chun-hua |
| |
| Affiliation: | School of Information Science and Engineering, Central South University,School of Information Science and Engineering, Central South University,School of Information Science and Engineering, Central South University,School of Information Science and Engineering, Central South University |
| |
| Abstract: | |
| |
| Keywords: | silicon content in hot metal prediction model composite differential extreme learning machine |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《控制理论与应用》浏览原始摘要信息 |
|
点击此处可从《控制理论与应用》下载全文 |
|
