基于组合SVR的高炉铁水含硅量预测方法研究

摘要

准确预测高炉铁水含硅量是有效控制高炉的前提。结合时差(TemporalDifference，TD)方法的BP神经元网络(TD-BP神经网络)，已经在高炉铁水含硅量的预报方面取得了显著进展，对大部分炉况运行平稳月份的数据预测已达到了很高的命中率。但是对于炉况运行变化剧烈的月份，使用TD-BP神经网络进行预测其命中率显著下降。 高炉铁水含硅量的预测属于时间序列直接多步预测问题。同时，由于高炉冶炼过程是十分复杂的物理化学变化过程，而且高炉内部的生产条件非常严酷，通过仪器测得的信息十分有限。所以高炉铁水含硅量的预测属于时间序列预测问题中比较复杂的非平稳时间序列预测问题。 对于炉况运行变化剧烈的月份，本文提出采用具有全局最优解和泛化推广能力更好的支持向量回归机(SVR)作为建立模型的基本工具。在对复杂的非平稳时间序列进行模糊分块和对传统的支持向量回归进行改进的基础上，通过启发式的加权方法将模糊分块的信息与SVR结合起来，通过多SVR组合的方式对高炉铁水含硅量建立预测模型。 在预测部分，本文引入了主成分分析理论，以及基于主成分的相似性测度Spca。通过综合考虑含硅量变化趋势和Spca，进一步提出了用于高炉铁水含硅量预测的相似性测度作为特征匹配的方法。 通过对典型的月份的高炉铁水含硅量进行预测实验表明，所提方法相比于TD-BP神经网络大幅提高了预测命中率，具有一定的理论和实用价值。本文的研究工作是辽宁省基金项目“面向复杂工业对象的预测方法研究”的一部分。

目录

文摘

英文文摘

独创性声明和学位论文版权使用授权书

第一章绪论

1.1研究背景

1.2问题提出

1.3解决方法

1.4论文结构

第二章高炉含硅量预测原理

2.1时间序列介绍

2.1.1现实中的时间序列数据及分类

2.1.2时间序列预报

2.2支持向量机原理介绍

2.2.1支持向量机的引入(Support VectorMachine，SVM)

2.2.2支持向量机

2.2.3支持向量回归(SVR)

2.3高炉铁水含硅量预报介绍

2.3.1高炉铁水含硅量数据

2.3.2高炉铁水含硅量预报

第三章建模工具的选择和改进

3.1神经网络与支持向量回归机的选择

3.2ε-加权支持向量回归机的改进

3.3面向时间序列预测的ε-加权的有效性

第四章高炉铁水含硅量预测模型的建立

4.1高炉铁水数据准备

4.2面向非平稳时间序列分块方法

4.2.1多变量非平稳时间序列的模糊分块

4.2.2模糊分块算法

4.3建立预测模型

4.3.1用含硅量对训练集进行初步分块

4.3.2根据状态量进一步细分

4.3.3对SVR进行参数选择

4.3.4用组合SVR对铁水含硅量进行建模

第五章高炉铁水含硅量的预测

5.1所选用的预报方法

5.2特征提取及匹配的方法

5.2.1主成分分析方法思想

5.2.2主成分分析方法原理

5.2.3模式匹配时的相似性测度——Spca

5.3高炉铁水含硅量预测的步骤及过程

5.4结合时差方法的反馈神经网络(TD-BP)对高炉铁水含硅量的预测

5.4.1时间序列预测神经网络模型

5.4.2 BP神经网络

5.4.3时差(Temporal Difference，TD)算法

5.4.4结合时差方法的反馈神经网络——TD-BP

5.4.5 TD-BP对高炉铁水含硅量预测的过程

第六章实验结果及对比

6.1对于变化剧烈月份的含硅量预测的比较

6.2 TD-BP神经网络对于平稳月份含硅量的预测

第七章总结

7.1研究工作总结

7.2有待继续改进的方面

7.3未来工作展望

参考文献

致谢

攻读硕士学位期间的论文项目情况