| 主权项 |
一种基于最小二乘支持向量机的高炉氧气使用量控制方法，其特征在于：首先利用高炉冶炼历史生产数据建立最小二乘支持向量机的预测模型，然后对预测模型进行测试，得出钢铁冶炼高炉氧气使用量预测的最终模型，通过最终模型对钢铁冶炼高炉的氧气使用量进行预测控制，最后根据预测结果<b>利用控制系统调节高炉氧气供应量</b>；具体步骤包括如下：第一阶段，高炉冶炼实际生产数据提取和整理1.1从高炉冶炼数据库中提取影响氧气使用量的影响因子和氧气使用量的数据，依据数据统计周期，将每一时刻<i>t </i>(t=1,2,…,N)的<i>m </i>(<i>m</i>∈N)个影响因子数据写成原始数据矩阵<img file="2013101176942100001dest_path_image001.GIF" wi="24" he="18" />：<img file="286295dest_path_image002.GIF" wi="170" he="100" />1.2氧气使用量的数据写成矩阵<img file="2013101176942100001dest_path_image003.GIF" wi="20" he="18" />：<img file="823455dest_path_image004.GIF" wi="73" he="100" />1.3以上两个矩阵叠加构成样本矩阵<b>S</b>：<img file="2013101176942100001dest_path_image005.GIF" wi="198" he="100" />1.4对样本矩阵数据进行归一化处理：矩阵<b>S</b>的每一个维度按如下映射进行归一化处理：<img file="789137dest_path_image006.GIF" wi="226" he="46" />其中，<i>x</i>为矩阵中一列数据的输入值，<i>y</i>为经过归一化处理的输出值，<i>y<sub>max</sub></i>、<i>y<sub>min</sub></i>分别为归一化范围的最大值和最小值，<i>x<sub>max</sub></i>、<i>x<sub>min</sub></i>分别为矩阵一列数据的最大值和最小值，归一化处理之后的样本矩阵为<i>H</i>，由影响因子和氧气使用量归一化处理后的数据构成：<img file="2013101176942100001dest_path_image007.GIF" wi="265" he="204" />第二阶段，样本矩阵为<i>H</i>，<i>H</i>分为训练集和测试集，利用LSSVM对训练集进行建模2.1 将归一化处理之后的样本集矩阵为<i>H</i>，<i>H</i>分为训练集和测试集训练集：<img file="659135dest_path_image008.GIF" wi="284" he="129" />测试集：<img file="2013101176942100001dest_path_image009.GIF" wi="284" he="84" />其中，LSSVM建模过程依据训练集数据<i>H</i><sub>训练</sub>分为输入值<b><i>x</i></b><i><sub>im</sub></i>和输出值<b><i>y</i></b><i><sub>i</sub></i><sub>1</sub>,(<i>i</i>=1,2,…,<i>j</i>‑1,<i>j</i>)2.2 LSSVM对训练集的建模是将输入样本<b><i>x</i></b><i><sub>im</sub></i>用一个非线性函数<img file="973442dest_path_image010.GIF" wi="16" he="18" />映射到一个高维特征空间变为<img file="dest_path_image011.GIF" wi="36" he="22" />，在此高维特征空间进行线性回归，从而取得原空间非线性回归的方程：<img file="810948dest_path_image012.GIF" wi="126" he="28" />为了满足LSSVM结构风险最小化原则，选取目标优化函数为：<img file="dest_path_image013.GIF" wi="298" he="76" />式中，<b><i>ω</i></b><i>,b</i>分别为高维空间中预测模型的复杂度和常数项，<img file="65474dest_path_image014.GIF" wi="17" he="25" />为模型的拟合误差，C为错误惩罚因子，s.t.为约束条件；2.3将目标优化函数经过Lagrangian变换、求解，得到非线性回归模型：<img file="dest_path_image015.GIF" wi="209" he="48" />式中，<img file="491776dest_path_image016.GIF" wi="18" he="25" />为Lagrange乘子，<img file="dest_path_image017.GIF" wi="86" he="22" />；根据Mecer核技巧，<img file="790033dest_path_image018.GIF" wi="164" he="28" />，<img file="dest_path_image019.GIF" wi="65" he="28" />称为核函数，则最终LSSVM模型变成：<img file="803251dest_path_image020.GIF" wi="161" he="46" />2.4 利用MATLAB 2011a程序对训练集拟合建模，并对模型参数进行优化选取、模型拟合结果比较：<img file="dest_path_image021.GIF" wi="192" he="84" /><img file="297686dest_path_image022.GIF" wi="49" he="25" />分别为拟合值和训练集中的输出值<b><i>y</i></b><i><sub>i</sub></i><sub>1</sub>，<img file="dest_path_image023.GIF" wi="49" he="26" />分别为拟合值的均值和输出值的均值，<i>R</i>是相关系数，越接近1表示建立的模型的拟合效果越好，选取拟合效果最好的参数作为模型参数，根据此参数确定拟合模型<img file="864979dest_path_image020.GIF" wi="161" he="46" />，即为预测模型；第三阶段，运用测试集进行拟合模型的测试3.1运用测试集数据<i>H</i><sub>测试</sub>，测试输入值<b><i>X</i></b><i><sub>pm</sub></i>和真实值<b><i>Y</i></b><i><sub>p</sub></i><sub>1</sub>,(<i>p</i>=<i>j</i>+1,…,<i>t</i>)进行拟合模型预测精度测试：将测试输入值<b><i>X</i></b><i><sub>pm</sub></i>作为拟合模型的自变量输入值，运用拟合模型计算输出预测值<img file="599717dest_path_image024.GIF" wi="24" he="26" />，将输出预测值<img file="395503dest_path_image024.GIF" wi="24" he="26" />与真实值<b><i>Y</i></b><i><sub>p</sub></i><sub>1</sub>按下式计算评价指标，对模型的预测精度做出评价，分别选取均方误差MSE、平均绝对误差MAE和平均相对误差MAPE为评价指标：<img file="dest_path_image025.GIF" wi="144" he="129" />其中，<img file="195094dest_path_image026.GIF" wi="21" he="29" />为真实值<b><i>Y</i></b><i><sub>p</sub></i><sub>1</sub>，<img file="dest_path_image027.GIF" wi="22" he="32" />为预测值<img file="143459dest_path_image024.GIF" wi="24" he="26" />；经过上述的对比评价，选出钢铁冶炼高炉氧气使用量预测的最终模型，最后根据最终模型结合高炉冶炼过程中影响氧气使用量的影响因子数据对钢铁冶炼高炉氧气使用量进行预测。 |
