基于最小二乘支持向量机的高炉铁水温度预测

摘要：

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.仿真证实了改进方法的有效性.

关键词：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

所属期刊栏目：30

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目61164018

在线出版日期：2013-11-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：354-357