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...
|