燕山大学学报
燕山大學學報
연산대학학보
JOURNAL OF YANSHAN UNIVERSITY
2015年
1期
22-29
,共8页
王葛%尹少峰%李珊%张瑞忠%安领军%李强
王葛%尹少峰%李珊%張瑞忠%安領軍%李彊
왕갈%윤소봉%리산%장서충%안령군%리강
漏钢预报%支持向量机%遗传算法%粒子群算法
漏鋼預報%支持嚮量機%遺傳算法%粒子群算法
루강예보%지지향량궤%유전산법%입자군산법
breakout prediction%support vector machine%genetic algorithm%particle swarm optimization
漏钢预报系统的性能往往取决于其算法模型的性能,支持向量机(SVM)算法在解决小样本、非线性及高维模式识别中具有许多特有优势,能够避免神经网络隐含层节点选择及局部极小值等问题,而不同的SVM算法参数往往会对其性能产生显著影响.为此,本文利用GS网格搜索法、PSO粒子群算法和GA遗传算法对SVM支持向量机的算法参数进行了优化,并将优化后的SVM支持向量机算法应用到连铸漏钢预报系统中;利用某钢厂CSP连铸生产线的历史生产数据对各优化后的SVM支持向量机算法进行了训练和测试.测试结果表明,用GA遗传算法优化后的SVM支持向量机算法测试效果较好,得到了98.33％的预报率和100％的报出率,从而验证了基于SVM支持向量机漏钢预报系统的可行性和有效性.
漏鋼預報繫統的性能往往取決于其算法模型的性能,支持嚮量機(SVM)算法在解決小樣本、非線性及高維模式識彆中具有許多特有優勢,能夠避免神經網絡隱含層節點選擇及跼部極小值等問題,而不同的SVM算法參數往往會對其性能產生顯著影響.為此,本文利用GS網格搜索法、PSO粒子群算法和GA遺傳算法對SVM支持嚮量機的算法參數進行瞭優化,併將優化後的SVM支持嚮量機算法應用到連鑄漏鋼預報繫統中;利用某鋼廠CSP連鑄生產線的歷史生產數據對各優化後的SVM支持嚮量機算法進行瞭訓練和測試.測試結果錶明,用GA遺傳算法優化後的SVM支持嚮量機算法測試效果較好,得到瞭98.33％的預報率和100％的報齣率,從而驗證瞭基于SVM支持嚮量機漏鋼預報繫統的可行性和有效性.
루강예보계통적성능왕왕취결우기산법모형적성능,지지향량궤(SVM)산법재해결소양본、비선성급고유모식식별중구유허다특유우세,능구피면신경망락은함층절점선택급국부겁소치등문제,이불동적SVM산법삼수왕왕회대기성능산생현저영향.위차,본문이용GS망격수색법、PSO입자군산법화GA유전산법대SVM지지향량궤적산법삼수진행료우화,병장우화후적SVM지지향량궤산법응용도련주루강예보계통중;이용모강엄CSP련주생산선적역사생산수거대각우화후적SVM지지향량궤산법진행료훈련화측시.측시결과표명,용GA유전산법우화후적SVM지지향량궤산법측시효과교호,득도료98.33％적예보솔화100％적보출솔,종이험증료기우SVM지지향량궤루강예보계통적가행성화유효성.
