一种改进MST关键特征提取方法及其在终轧温度建模中的应用

摘要

随着钢铁行业的迅速发展，钢铁的质量和性能都变得愈发重要。热轧带钢是众多钢铁产品中十分重要的一种。在热轧带钢生产过程中，精轧终轧温度是影响带钢性能和组织的关键因素。
　　为了实现对终轧温度的准确预报，需要针对终轧温度建立预测模型。而影响终轧温度的因素种类繁多且耦合严重，为了降低预测模型的复杂度同时提高模型预测精度，在众多的因素中提取出影响终轧温度的关键因素显得非常重要。因此本文提出了一种改进的基于最小生成树的高维数据关键特征提取算法，该算法可以使数据中与终轧温度不相关和互相冗余的属性在一次提取过程中被去除。
　　论文首先对基于最小生成树的关键特征提取算法进行了简单介绍，针对算法处理实际精轧过程数据时出现的单点多发散问题对算法进行了改进。将改进的特征提取算法应用于实际精轧过程数据，得到了影响终轧温度的关键特征属性。之后，本文结合改进的特征提取算法和支持向量回归提出了一种终轧温度预测模型构建方法，通过对模型参数的优化以达到了比较满意的预测效果。最后，将支持向量机模型和神经网络模型进行了对比。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 终轧温度研究现状

1．2．2 特征子集提取算法研究现状

1．2．3 最小生成树研究现状

1．2．4 终轧温度预测模型研究现状

1．3 本文主要研究内容

1．4 论文组织结构

第2章 相关理论基础

2．1 基于最小生成树的关键特征提取算法

2．1．1 FAST算法中的相关概念

2．1．2 FAST算法流程

2．1．3 普利姆算法

2．2 最小二乘支持向量回归

2．3 BP神经网络

2．4 本章小结

第3章 实际精轧过程数据说明与预处理

3．1 实际精轧过程数据说明

3．2 终轧温度影响因素分析

3．2．1 轧制速度

3．2．2 带钢厚度

3．2．3 冷却水

3．3 数据预处理

3．3．1 数据清理

3．3．2 数据集成

3．3．3 属性构造

3．3．4 属性离散化

3．4 本章小结

第4章 改进的FAST算法

4．1 引言

4．2 最小生成树构建过程分析

4．3 单点多发散结构的形成

4．4 对FAST算法的改进

4．5 改进的FAST算法具体流程

4．6 算法改进效果评估

4．6．1 特征子集提取结果

4．6．2 特征子集总冗余度

4．6．3 相关性阈值对特征子集提取效果的影响

4．7 本章小结

第5章 终轧温度预测模型构建方法

5．1 引言

5．2 终轧温度建模流程

5．3 模型性能评估

5．4 本文模型与BP神经网络模型对比

5．5 本章小结

6．1 总结

6．2 展望

致谢

参考文献

攻读硕士学位期间发表的论文

攻读硕士学位期间参加的科研项目