基于混沌粒子群支持向量回归的高炉铁水硅含量预测
参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CP-SO-vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明,基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%.与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO-vSVR模型对铁水硅含量 .进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测.
支持向量回归、粒子群优化算法、混沌、铁水硅含量、预测
41
TF512(炼铁)
国家自然科学基金资助项目60506055;重庆邮电大学科研基金项目A2008-5
2017-01-18(万方平台首次上网日期,不代表论文的发表时间)
共5页
141-145