固定尺度最小二乘支持向量机在钢水温度预报中的应用研究

论文摘要

对LF炉钢水温度的准确预测,是合理组织生产、提高钢水质量、降低炼钢成本、实现钢水温度控制的重要前提。而在LF炉冶炼过程中,预测对象为非线性系统,难以建立准确的机理模型,因而考虑采用基于数据的方法建立模型。固定尺度最小二乘支持向量机（FS-LSSVM）,它在训练各种样本数据集时,有效地避开了最小二乘支持向量机（LS-SVM）中的稀疏性问题,且训练速度快,同时具有良好的预测精度和泛化特性。本文提出基于固定尺度最小二乘支持向量机的方法对钢水温度进行预报。本文在分析支持向量机和最小二乘支持向量机的基础上,为解决最小二乘支持向量机丧失稀疏性的问题,详细阐述了固定尺度最小二乘支持向量机的机理。为解决计算核矩阵特征值太过复杂的问题,使用Nystrom方法来估计特征空间映射；并采用二次Renyi熵判据,来优化选择工作集中的数据。通过对FS-LSSVM的分析,发现尺度的大小会直接影响建模时间和预测精度,而目前尚无一种有效的确定方法。针对这一问题,本文提出了基于减法聚类的尺度确定方法,减法聚类聚出的类中不包含不平稳的数据点,能包括所有潜在的支持向量,由它确定的类数具有代表性,可以作为FS-LSSVM的尺度,从而有效地解决了固定尺度支持向量机的尺度确定问题。最后,通过对精炼炉能量收支平衡的分析,以电耗、初始温度、冶炼时间、合金及渣料的加入量、钢水重量为输入量,建立了基于固定尺度最小二乘支持向量机的钢水温度预报模型。并对固定尺度最小二乘支持向量机模型的预报结果和最小二乘支持向量机模型预报的结果进行了对比分析,验证了固定尺度最小二乘支持向量机预报模型应用在精炼炉钢水温度预报中的有效性。最后对采用不同尺度值的情况下,对预报结果对比分析,验证了减法聚类确定尺度M的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 本文研究背景及意义
• 1.2 支持向量机研究现状
• 1.2.1 支持向量机训练算法的研究现状
• 1.2.2 支持向量机应用研究现状
• 1.2.3 支持向量机的扩展
• 1.3 钢水温度预报方法的研究与应用现状
• 1.3.1 国外研究现状
• 1.3.2 国内研究现状
• 1.4 本文研究主要内容
• 第2章 最小二乘支持向量机
• 2.1 统计学习理论
• 2.1.1 VC维
• 2.1.2 推广性的界
• 2.1.3 结构风险最小化原理
• 2.2 支持向量机原理
• 2.2.1 支持向量机的思想
• 2.2.2 支持向量回归算法
• 2.3 最小二乘支持向量机
• 2.4 LS-SVM的参数选择方法
• 2.4.1 交叉确认法
• 2.4.2 网格搜索法
• 2.5 本章小结
• 第3章 固定尺度最小二乘支持向量机的尺度确定
• 3.1 固定尺度最小二乘支持向量机
• 3.1.1 非线性映射函数的估计
• 3.1.2 二次Renyi熵判据
• 3.1.3 固定尺度最小二乘支持向量机
• 3.2 尺度选择重要性
• 3.3 基于减法聚类的尺度确定
• 3.4 仿真实验
• 3.5 本章小结
• 第4章 钢水温度预报模型
• 4.1 建模原理
• 4.1.1 精炼炉能量平衡
• 4.1.2 精炼炉机理模型
• 4.2 基于固定尺度最小二乘支持向量机的钢水温度预报模型
• 4.2.1 模型输入和输出的确定
• 4.2.2 固定尺度最小二乘支持向量机模型
• 4.3 模型性能分析
• 4.3.1 FS-LSSVM模型与LS-SVM模型的预报结果的对比分析
• 4.3.2 尺度对FS-LSSVM模型预报结果的影响
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 工作总结
• 5.2 工作展望
• 参考文献
• 致谢