| 摘 要： | 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...
|
