基于最小二乘支持向量机的高炉铁水温度预测

作者：崔桂梅; 孙彤; 张勇

来源：计算机仿真, 2013, (10): 354-357.

• 铁水温度
• 最小二乘支持向量机
• 粒子群算法
• 高炉
• 主成分分析 Hot metal temperature
• Least squares support vector machine(LS-SVM)
• Particle swarm optimization(PSO)
• Blast furnace
• Principal component analysis(PCA

关于铁水温度控制模型的优化设计问题,由于炉温变化为非线性的,采用传统的神经网络方法存在因素漏选、训练速度慢、预测精度低等问题。为解决上述问题,提出一种主成分分析(PCA)和最小二乘支持向量机(LS-SVM)的铁水温度时间序列预测方法。改进的方法首先对影响铁水温度变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机时间序列预测模型,并用粒子群算法优化模型参数,最后预测输出。采用某钢厂大型高炉的在线采集数据作为应用案例,建立改进方法的预测模型。相比小波神经网络时间序列预测模型,改进方法不仅可以考虑所有因素对铁水温度变化的影响,还具有训练时间短、预测精度高等优点。仿真...

• 出版日期2013
• 单位内蒙古科技大学