基于FNN-UKF神经网络的氧化铝浓度动态预测模型

摘要

针对影响氧化铝浓度的因素较多,彼此相关性强,难以建立动态预测模型的问题,提出一种基于FNN-UKF神经网络的动态预测方法。首先考察各原始变量置零前后在特征空间主元投影上的相似度,判断其对氧化铝浓度的解释能力,由此进行原始变量选择;再将约简后的原始变量输入基于UKF算法的神经网络预测模型,通过更新状态估计值和方差矩阵提高模型的泛化能力。对取自某厂160KA大型预焙槽的247组样本数据进行检验:228组样本的预测误差在±1%之内,计算量减少52.07%,表明该方法在保证预测精度的同时,有效降低了模型学习的计算量。