• 最美逆行!高速隧道突发火灾  交警三次逆行穿火线撤离400多名群众 2019-07-17
  • 《陕西省县域经济社会发展监测考评办法》解读 2019-07-17
  • 一切都是老板炒工人的鱿鱼 2019-07-14
  • 赏花不用跑远 宗角禄康开得正艳 2019-07-14
  • 车俊会见毛里求斯代总统 2019-07-14
  • 除了杨崇勇,“2亿元贪官俱乐部”至少还有这些人 2019-07-09
  • [民生热线]咸安西大街烤鸭店每天油烟扰民 区政府:已责令整改 2019-07-09
  • 海淀:得天独厚的自然条件 2019-07-09
  • 进京通行证限次数!70.9万辆本地化使用外埠号牌车或将受影响 2019-07-06
  • 6月14日凤凰直通车:茅台再开市场化招聘大门,32个部门要285人葡萄 种植 2019-07-05
  • 东京湾产业转型启示录 2019-07-05
  • 中国三星获第十二届人民企业社会责任奖年度扶贫奖 2019-06-30
  • 一个语文基础都没有的人就喜欢指手画脚, 2019-06-30
  • 匹夫有责之一百一十二—道义大义的博客—强国博客—人民网 2019-06-25
  • 原来端午节也可以过得很“文艺” 2019-06-10
    • / 22
    • 下载费用:20 金币  

    广西11选5计划群: 高炉铁水硅含量四分类趋势预报模型的建立方法及应用.pdf

    摘要
    申请专利号:

    广西11选5大小走势图 www.fnjpv.tw CN201510340996.5

    申请日:

    2015.06.18

    公开号:

    CN104899463A

    公开日:

    2015.09.09

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06F 19/00申请日:20150618|||公开
    IPC分类号: G06F19/00(2011.01)I 主分类号: G06F19/00
    申请人: 中南大学
    发明人: 蒋朝辉; 尹菊萍; 桂卫华; 阳春华; 谢永芳
    地址: 410083湖南省长沙市麓山南路中南大学
    优先权:
    专利代理机构: 北京路浩知识产权代理有限公司11002 代理人: 王文君
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510340996.5

    授权公告号:

    ||||||

    法律状态公告日:

    2017.11.21|||2015.10.07|||2015.09.09

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明涉及一种高炉铁水硅含量四分类趋势预报模型的建立方法及应用,属于自动化检测技术领域。所述模型的建立方法包括采集历史数据;进行数据预处理;确定模型输入变量和输出变量;依据模糊均值聚类的方法对铁水硅含量样本有效的聚类,获取模型输出变量四类趋势变化区间的划分标准;利用极限学习机建立四分类趋势预报模型。利用本发明所建立的模型不仅可以预报硅含量变化的趋势,同时可以得到趋势变化的幅度大小,即可以预报得到下一炉铁水硅含量是大幅上升、小幅上升、大幅下降、小幅下降的四分类趋势变化情况。这对高炉操作者提早判断炉况,并采取小调、早调等措施,避免炉况发生急剧变化有很好的指导。

    权利要求书

    权利要求书
    1.  一种高炉铁水硅含量四分类趋势预报模型的建立方法,包括以下步骤:
    S1、采集历史数据;即采集整个炼铁过程中影响铁水硅含量变化的变量及铁水硅含量数据;
    S2、数据预处理;包括获得时间点对应的时间序列样本、剔除异常数据、确定模型输入变量和输出变量、归一化处理及差分处理;经差分处理分别得到所有输入变量的变化率,组成输入样本;得到所有输出变量的变化率,组成输出样本;
    S3、数据分类;即将所述输出样本依据模糊均值聚类算法划分为四类区间;
    S4、建立预报模型;即依据所述步骤S3对所述输出样本的四类区间划分标准,将所述输出样本进行二进制编码;然后结合所述输入样本利用极限学习机建立预报模型。

    2.  根据权利要求1所述的建立方法,其特征在于,所述获得时间点对应的时间序列样本是指以一个变量的时间间隔为参照依据时间点对应对所有变量进行匹配,最终得到所需时间序列样本。

    3.  根据权利要求1-2任一项所述的建立方法,其特征在于,所述确定模型输入变量的方法为通过相关性分析,以与铁水硅含量的变化相关性强的变量作为所述模型输入变量;优选结合时滞分析和/或专家经验确定模型输入变量。

    4.  根据权利要求1-3任一项所述的建立方法,其特征在于,所述S3数据分类具体包括以下步骤:
    S31、以零为边界将所述输出样本划分为两大类,大于零和等于零的样本划分为正类样本,小于零的样本划分为负类样本;
    S32、在所述正类样本中获取两个聚类中心c1、c2,在所述负类样本中获取两个聚类c′1、c′2,以这四个聚类中心得到两个边界值:
    S33、根据步骤S32所述边界值,将所述正类样本和负类样本划分为四类区间:这四类区间依次代表四类变化趋势:大幅下降、小幅下降、小幅上升、大幅上升。

    5.  根据权利要求4所述的建立方法,其特征在于,所述S32在正类样本中获取两个聚类中心c1、c2,在负类样本中获取两个聚类c′1、c′2,具体包括以下步骤:
    S321、初始化算法参数;具体方法如下:
    初始化聚类个数c、模糊指数m、误差ε、算法迭代次数T,初始化聚类中心V=[v1,v2,...,vc]。在[0,1]范围内随机初始化隶属度矩阵U,使uij满足公式(Ⅳ)约束条件
    0<Σi=1nuij<nΣj=1cuij=10uij1,1in,1jc----(IV)]]>
    其中c是聚类个数,n为样本数,xi为聚类样本,vi聚类中心向量,uij为第i个样本属于第j个中心的隶属度,m为模糊指数,用来控制聚类的模糊程度;
    S322、根据式(VII)计算K(xi,vj),式(VIII)计算参数ρ;具体方法如下,构建模糊C均值聚类算法的目标函数如下:
    Jφ(U,V)=Σi=1nΣj=1cuijm||φ(xi)-φ(vj)||2---(V)]]>
    式(Ⅴ)中,
    ||φ(xi)-φ(vj)||=K(xi,xi)+K(vj,vj)-2K(xi,vj)       (Ⅵ)
    K(xi,vj)=exp{-(||xi-vj||2)/ρ2}        (VII)
    ρ=Σi=1n||xi-x&OverBar;||2n,x&OverBar;=Σi=1nxin---(VIII)]]>
    S323、依据式(VI)、式(VII)更新聚类中心V和隶属度矩阵U;具体方法如下:
    分别对Jφ(U,V)关于U,V求偏导,得到新的聚类中心和隶属度,公式如下:
    vj(k+1)=Σi=1n(uij(k))mK(xi,vj(k))xiΣi=1n(uij(k))mK(xi,vj(k))---(IX)]]>
    uij(k+1)=(1-K(xi,vj(k+1)))-1/(m-1)Σj=1c(1-K(xi,vj(k+1)))-1/(m-1)---(X)]]>
    S324、依据算法目标函数进行算法迭代;即依据S323更新一次聚类中心和隶属度,带入式(V)得到一个新的目标函数值;
    迭代终止的条件如下:
    ||Jφk-Jφk-1||&epsiv;---(XI)]]>
    即更新前后目标函数值的差值小于给定误差或者达到给定的最大迭代次数时算法结束,否则继续更新;算法迭代结束即在所述正类样本中获得两个聚类中心c1、c2;在所述负类样本中获取两个聚类c′1、c′2。

    6.  根据权利要求1-5任一项所述的建立方法,其特征在于,所述依据步骤S3对所述输出样本的四类区间划分标准,将所述输出样本进行二进制编码即对所有样本(xj,tj)的输出tj进行二进制编码;xj指输入变量;tj指输出变量;编码矩阵如下:
    M=-1-1-111-111.]]>

    7.  根据权利要求1-6任一项所述的建立方法,其特征在于,所述利用极限学习机建立预报模型的过程包括:将所述输出样本进行二进制编码后,对于N个不同样本(xj,tj),其中xj=[xj1,xj2,…,xjn]T∈Rn,tj=[tj1,tj2,…,tjm]T∈Rm,m=log2c,tj={-1,1},具有K个隐含层神经元数目,并且激励函数为g(x)的ELM模型表示为:
    fK(xj)=Σi=1Kβig(ωi&CenterDot;xj+bi)=h(x)β,j=1,2,...,N---(XII)]]>
    式中ωi=[ω1i,ω2i,…,ωni]是连接输入神经元和第i个隐含层神经元的ELM模 型输入权值;bi是第i个隐元偏差;βi=[βi1,βi2,…,βim]T是连接第i个隐含层神经元和输出神经元的ELM模型输出权值;ωi·xj表示ωi和xj的内积,激励函数g(x)选用sigmoid函数,即:
    g(ωi&CenterDot;xi+bi)=11+exp(-(ωi&CenterDot;xj+bi))---(XIII)]]>
    最小化:LpELM=12||β||2+C12Σi=1Nξi2---(XIV)]]>
    使得:
    h(xi)β=tiT-ξiT,i=1,2,...,N---(XV)]]>
    其中:h(xi)=[g(α1xi+b1),…,g(αKxi+BK)],ξi=[ξi,1,…,ξi,m]T是样本xi对应输出的训练误差,依据KKT条件,训练ELM等价于解决如下的对偶优化问题:引入拉格朗日乘子αi(i=1,2,…n):
    LDELM=12||β||2+C12Σi=1N||ξ||2-Σi=1NΣj=1mαij(h(xi)βj-ti,j+ξi,j))---(XVI)]]>
    其中,每个拉格朗日乘子αi对应第i个训练样本;βj连接隐含层节点到第j个输出节点的向量,β=[β1,…,βm],相应的KKT的优化条件如下:
    &PartialD;LDELM&PartialD;βj=0&DoubleRightArrow;βj=Σi=1Nαi,jh(xi)T&DoubleRightArrow;β=HTα---(XVII)]]>
    &PartialD;LDELM&PartialD;ξi=0&DoubleRightArrow;αi=Cξi,i=1,2,...,N---(XVIII)]]>
    &PartialD;LDEML&PartialD;αi=0&DoubleRightArrow;h(xi)β-tiT+ξiT=0,i=1,2,...,N---(XIX)]]>
    将(XVII)、(XVIII)式带入(XIX)式,得到如下方程:
    (IC+HHT)α=T---(XX)]]>
    其中:
    T=t1T&CenterDot;&CenterDot;&CenterDot;tNT=t11...t1m&CenterDot;&CenterDot;&CenterDot;&CenterDot;&CenterDot;&CenterDot;&CenterDot;&CenterDot;&CenterDot;tN1...tNm---(XXI)]]>
    将(XX)带入(XVII)式,得到隐元偏置:
    β=HT(IC+HHT)-1T---(XXII)]]>
    其中:
    H=h(x1)h(x2)&CenterDot;&CenterDot;&CenterDot;h(xN)=g(ω1&CenterDot;x1+b1)...g(ωK&CenterDot;x1+bK)g(ω1&CenterDot;x2+b1)...g(ωK&CenterDot;x2+bK)&CenterDot;&CenterDot;&CenterDot;&CenterDot;&CenterDot;&CenterDot;g(ω1&CenterDot;xN+b1)...g(ωK&CenterDot;xN+bK)N×K---(XXIII)]]>
    通过式(XXII)计算得到的隐层权值β,将结果带入式(XII),得到样本对应的输出。

    8.  根据权利要求7所述的建立方法,其特征在于,还包括对所述预报模型的输出进行解码的步骤;优选的解码过程如下:给定样本x,依据所述预报模型,得到m=log2c维的输出向量:
    f(x)=(fm(x),…,f1(x))         (XXIV)
    样本(x,i)的总损失函数定义为:
    dH(M(i),y(x))=Σq=1m(1-sign(M(i,q)fq(x))2)---(XXV)]]>
    M(i)指编码矩阵c*m的第i个行向量,表示为:M(i)=(M(i,m),…,M(i,1));
    基于上述损失函数,样本x最终的类输出为:
    y^=argmini=1,2,...,cdH(M(i),y(x))---(XXVI).]]>

    9.  根据权利要求1-8任一项所述的建立方法,其特征在于,用状态转移算法对所述预报模型的输入权值和隐元偏差进行优化,得到最优的输入权值和隐元偏差;优选所述优化具体流程如下:
    输入:随机产生ELM的输入权值ωK*n和隐元偏差βK*m;
    输出:最优ELM输入权值和隐元偏差;
    Step1:初始化搜索力度SE,问题维数Dim,搜索范围,迭代次数,极限学习机中的输入权值和隐元偏差以及隐含层节点数K;
    Step2:引入STA算法,将初始化得到的输入权值和隐元偏差作为STA的输入样本,均方根误差MSE作为STA算法的目标函数;
    Step3:如果算法满足收敛精度或是达到了最大的迭代次数,转step6,否则转step4;
    Step4:对STA算法中的样本执行:
    Step41扩张转变
    xk+1=xk+γRcxk          (XXVII)
    其中,γ是一个正常数,称为扩张因子;Rc∈Rn*n是一个随机对角矩阵,
    其中每一个元素都服从高斯分布;
    Step42旋转转变
    xk+1=xk+α1n||xk||2Rrxk---(XXVIII)]]>
    其中,xk∈Rn,α代表正常数,称为旋转因子;Rr∈Rn*n是一个随机矩阵,服从[-1,1]的均匀分布,||·||2代表二范数;
    Step43压缩转变
    xk+1=xk+δRaxk           (XXIX)
    其中,δ是一个正常数,称为压缩因子;Ra∈Rn*n是一个随机对角矩阵,
    其中每一个元素都服从高斯分布,并且只有一个随机位置是非零值;
    Step5:判断算法是否满足运行的终止条件,终止条件为最大的迭代次数以及算法的精度,若是满足,转step6,否则g=g+1,转step4;
    Step6:输出STA算法的最优值,即ELM的输入权值和隐元偏差。

    10.  一种高炉铁水硅含量四分类趋势预报方法,包括按权利要求1-9任一项所述方法建立高炉铁水硅含量四分类趋势预报模型,选取一组变量数据作为输入变量,输入到所述预报模型,得到高炉铁水硅含量四分类趋势预报结果;优选地,选取的输入到所述预报模型的输入变量与建立所述预报模型时采用的输入变量相同。

    关 键 词:
    高炉 铁水 含量 分类 趋势 预报 模型 建立 方法 应用
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论,赶快抢占沙发吧。

    关于本文
    本文标题:高炉铁水硅含量四分类趋势预报模型的建立方法及应用.pdf
    链接地址://www.fnjpv.tw/p-6369505.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.fnjpv.tw网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 最美逆行!高速隧道突发火灾  交警三次逆行穿火线撤离400多名群众 2019-07-17
  • 《陕西省县域经济社会发展监测考评办法》解读 2019-07-17
  • 一切都是老板炒工人的鱿鱼 2019-07-14
  • 赏花不用跑远 宗角禄康开得正艳 2019-07-14
  • 车俊会见毛里求斯代总统 2019-07-14
  • 除了杨崇勇,“2亿元贪官俱乐部”至少还有这些人 2019-07-09
  • [民生热线]咸安西大街烤鸭店每天油烟扰民 区政府:已责令整改 2019-07-09
  • 海淀:得天独厚的自然条件 2019-07-09
  • 进京通行证限次数!70.9万辆本地化使用外埠号牌车或将受影响 2019-07-06
  • 6月14日凤凰直通车:茅台再开市场化招聘大门,32个部门要285人葡萄 种植 2019-07-05
  • 东京湾产业转型启示录 2019-07-05
  • 中国三星获第十二届人民企业社会责任奖年度扶贫奖 2019-06-30
  • 一个语文基础都没有的人就喜欢指手画脚, 2019-06-30
  • 匹夫有责之一百一十二—道义大义的博客—强国博客—人民网 2019-06-25
  • 原来端午节也可以过得很“文艺” 2019-06-10
  • 广西快乐十分app 福建体彩31选7走势图预测 真人游戏实体投注 pp电子游 彩票中奖后国家如何征税 象棋视频 app竞彩彩票 3d快乐10分钟开奖结果 波斯波利斯对塔什干棉农直播 富勒姆转会懂球帝