一种高炉炼铁专家系统决策合成方法

摘要

本发明公开了一种高炉炼铁专家系统决策合成方法。以多种类型高炉专家系统的单独决策为输入，构造了四种决策合成算子模型，采用线性和非线性回归技术对决策合成算子模型进行参数辨识，以高炉炉况特征向量及各类型高炉专家系统的历史表现为选择依据，把最优化决策合成算子选择问题转化为一个分类器构造问题，采用非线性多分类支持向量机模型进行分类器建模，通过快速分类器训练算法得到最优分类器，进而利用该分类器对决策合成算子模型参数进行递推式的二次校正，由最优分类器动态选择出适合于当前炉况的最优决策合成算子形成高炉操作优化决策。对高炉冶炼过程的智能控制与决策的合成具有普遍的通用性，能提高高炉专家系统决策准确度与系统鲁棒性。

主权项

1.一种高炉炼铁专家系统决策合成方法，其特征在于包括如下步骤：1)以多种类型高炉专家系统的单独决策为输入，构造四种应用于决策值为连续实数的决策合成算子模型，即朴素选择决策合成算子、简单平均决策合成算子、加权平均决策合成算子和非线性回归决策合成算子；2)采用线性回归和非线性回归技术分别辨识出上述四种决策合成算子的模型参数；3)将最优决策合成算子选择问题转化为多分类器问题；4)以多分类支持向量机为分类器模型，采用快速SMO算法为训练方法求解出最优分类器；5)利用最优分类器对决策合成算子的模型参数进行递推式的二次校正，得到最终的决策合成算子模型；6)依次利用最优分类器和最终决策合成算子进行决策合成，获得高炉操作优化决策；所述的朴素选择决策合成算子：选择其中一个专家系统决策为合成后的决策，假设有M个高炉专家系统参与决策合成，它们单独给出的决策值分别为d₁，d₂，K，d_M，合成后的决策记为h，那么共有M种具体的决策合成算子，记为S₁{h＝d₁}，S₂{h＝d₂}，K，S_M{h＝d_M}，其中S_i{h＝d_i}，i＝1，2，K M，表示决策合成算子S_i按h＝d_i的方式产生合成后的决策所述的简单平均决策合成算子：以多种类型高炉专家系统决策的平均值为合成后的决策，假设有M个高炉专家系统参与决策合成，它们单独给出的决策值分别为d₁，d₂，K，d_M，合成后的决策记为h，记该决策合算子为$S_{M+1}\{h=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}{d}_i\},$表示决策合成算子S_M+1按$h=\frac{1}{M}\underset{i=1}{\overset{M}{\Sigma }}{d}_i$的方式产生合成后的决策；所述的加权平均决策合成算子：以多种类型高炉专家系统决策的加权平均值为合成后的决策，假设有M个高炉专家系统参与决策合成，M个高炉专家系统单独给出的决策值分别为d₁，d₂，K，d_M，合成后的决策记为h，记该决策合成算子为：$S_{M+2}\{h=\underset{i=1}{\overset{M}{\Sigma }}{\lambda }_i{d}_i\},$表示决策合成算子S_M+2按$h=\underset{i=1}{\overset{M}{\Sigma }}{\lambda }_i{d}_i$的方式产生合成后的决策，其中λ_i＞0，i＝1，2，K M是各专家系统决策的权重分配，且满足$\underset{i=1}{\overset{M}{\Sigma }}{\lambda }_i=1;$所述的非线性回归决策合成算子：以多种类型高炉专家系统决策为回归项构造非线性回归模型，并以回归模型输出值作为合成后的决策，假设有M个高炉专家系统参与决策合成，它们单独给出的决策值分别为d₁，d₂，K，d_M，合成后的决策记为h，记该决策合成算子为S_M+3{h＝f(d₁，d₂，K，d_M)}，其中f是非线性函数，采用非线性回归支持向量机模型来表示f，记该决策合成算子为$S_{M+3}\{h=\underset{i=1}{\overset{V}{\Sigma }}{\beta }_i{K}_i(d_1,d_2,K,d_M)\},$表示决策合成算子S_M+3按$h=\underset{i=1}{\overset{V}{\Sigma }}{\beta }_i{K}_i(d_1,d_2,K,d_M)$的方式产生合成后的决策，其中V是支持向量的个数，β_i是核函数系数，K_i是与第i个支持向量对应的非线性核函数；所述的将最优决策合成算子选择问题转化为多分类器问题：将步骤2)中辨识后的四种决策合成算子模型分别应用于训练样本Z＝{Z₁，Z₂，K Z_N}，对于每组样本Z_i＝{d_i1，d_i2，K，d_iM，y_i}，得出各种决策合成算子产生的决策合成值{h_i1，h_i2，K，h_iM，h_i，M+1，h_i，M+2，h_i，M+3}，以真实决策值y_i为参考标准，可确认出针对样本Z_i的最优决策合成算子其数学表达式为采用交叉验证方法选择出高炉炉况特征向量为输入向量，记训练样本Z＝{Z₁，Z₂，K Z_N}对应的炉况特征向量数据为X＝{X₁，X₂，K X_N}，X_i＝[x_i1，x_i2，K，x_iQ]，其中Q是高炉特征向量的维数据式$o_i=\underset{m=\mathrm{1,2},K,M+3}{\arg \min }\left(\right|h_{\mathrm{im}}-y_i\left|\right),$以[x_i1，x_i2，K，x_iQ]为输入向量，以o_i为正确的类别标签，形成用于分类问题的训练样本C＝{C₁，C₂，K C_N}，C_i＝{x_i1，x_i2，K x_iQ，o_i}，至此，将最优决策合成算子选择问题转化为多分类器问题；所述的利用最优分类器对决策合成算子的模型参数进行递推式的二次校正：将步骤4)的最优分类器，F：X→{S₁，S₂，K，S_M，S_M+1，S_M+2，S_M+3}，应用于炉况数据X＝{X₁，X₂，K X_N}，根据映射F将X划分了M+3个子集，记为X¹，X²，K，X^M，X^M+1，X^M+2，X^M+3，由X＝{X₁，X₂，K X_N}与决策合成算子模型原始训练样本Z＝{Z₁，Z₂，K Z_N}的一一对应关系，F亦将Z划分成M+3个子集，记为Z¹，Z²，K，Z^M，Z^M+1，Z^M+2，Z^M+3，与加权平均决策合成算子S_M+2对应的样本子集是Z^M+2，由于Z^M+2对S_M+2模型参数辨识更具指导意义，因此增强样本子集Z^M+2的信度，对S_M+2模型进行二次校正，以S_M+2为初始模型，以Z^M+2为需要强调的更新样本，采用带遗忘因子的递推最小二乘辨识算法完成对S_M+2的二次校正，修正后的模型记为S′_M+2，同理，与非线性回归决策合成算子S_M+3对应的样本子集是Z^M+3，对S_M+3模型进行二次校正，以S_M+3为初始模型，以Z^M+3为需要更新样本，采用带遗忘因子的递推支非线性回归持向量机训练算法完成对S_M+3的二次校正，修正后的模型记为S′_M+3；所述的依次利用最优分类器和最终决策合成算子形成高炉操作优化决策：以当前炉况数据特征向量X′＝[x′₁，x′₂，K，x′_Q]为最优分类器的输入向量，其中Q是炉况数据特征向量的维数，利用式F：X→{S₁，S₂，K，S_M，S_M+1，S_M+2，S_M+3}最优分类选出最适合于当前炉况的决策合成算子S_o∈{S₁，S₂，K，S_M，S_M+1，S′_M+2，S′_M+3}，被选出的最终决策合成算子S_o以各类型高炉专家系统单独决策值[d′₁，d′₂，K，d′_M]为模型的输入，产生合成后的高炉操作优化决策h′＝S_o(d′₁，d′₂，K，d′_M)。