同济大学学报(自然科学版)
同濟大學學報(自然科學版)
동제대학학보(자연과학판)
JOURNAL OF TONGJI UNIVERSITY(NATURAL SCIENCE)
2014年
8期
1256-1260
,共5页
王俊凯%乔非%祝军%倪嘉呈
王俊凱%喬非%祝軍%倪嘉呈
왕준개%교비%축군%예가정
烧结%能耗%性能指标%预测模型%回归型支持向量机
燒結%能耗%性能指標%預測模型%迴歸型支持嚮量機
소결%능모%성능지표%예측모형%회귀형지지향량궤
sintering%energy consumption%performance criteria%predictive model%support vector machine for regression
针对烧结过程中能耗和性能指标预测方法精度不高、训练时间长的问题,首先,在总结当前预测建模方法的基础上,将回归型支持向量机(support vector machine for regression,SVR)引入烧结生产系统,分析了2种建模模式;然后,给出基于SVR预测建模一般流程;最后,以某大型钢铁企业为例进行验证,并与传统的多元线性回归、反向传播(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)网络和极限学习机(extreme learning machine,ELM)等预测方法在相同模式内和不同模式间进行比较.结果表明,SVR方法可快速获得理想的预测结果,在预测精度和时间效率上具有优势.
針對燒結過程中能耗和性能指標預測方法精度不高、訓練時間長的問題,首先,在總結噹前預測建模方法的基礎上,將迴歸型支持嚮量機(support vector machine for regression,SVR)引入燒結生產繫統,分析瞭2種建模模式;然後,給齣基于SVR預測建模一般流程;最後,以某大型鋼鐵企業為例進行驗證,併與傳統的多元線性迴歸、反嚮傳播(back propagation,BP)神經網絡、徑嚮基函數(radical basis function,RBF)網絡和極限學習機(extreme learning machine,ELM)等預測方法在相同模式內和不同模式間進行比較.結果錶明,SVR方法可快速穫得理想的預測結果,在預測精度和時間效率上具有優勢.
침대소결과정중능모화성능지표예측방법정도불고、훈련시간장적문제,수선,재총결당전예측건모방법적기출상,장회귀형지지향량궤(support vector machine for regression,SVR)인입소결생산계통,분석료2충건모모식;연후,급출기우SVR예측건모일반류정;최후,이모대형강철기업위례진행험증,병여전통적다원선성회귀、반향전파(back propagation,BP)신경망락、경향기함수(radical basis function,RBF)망락화겁한학습궤(extreme learning machine,ELM)등예측방법재상동모식내화불동모식간진행비교.결과표명,SVR방법가쾌속획득이상적예측결과,재예측정도화시간효솔상구유우세.