10.3969/j.issn.1000-7059.2020.03.004
基于PCA-DBN的热连轧数据特征提取
在热连轧生产过程中会产生大量的数据,使用这些海量数据进行诊断和预报非常困难,运算时间较长,甚至会导致“维度灾难”.因此,需要对特征进行提取,去除冗余和不相关的特征.提出基于主成分分析-深度置信网络(principal component analysis-deep belief network,简称PCA-DBN)的热连轧数据特征提取,采用主成分分析(principal component analysis,简称PCA)对数据集进行特征提取,并将选择出的特征按照贡献率可视化,直观显示提取的特征.二次特征提取采用深度置信网络(deep belief network,简称DBN)对已提取数据集进行二次特征提取.将最终得到的数据集作为粒子群优化的最小二乘支持向量机(particle swarm optimization-least squares support vector machine,简称PSO-LSSVM)对精轧轧制力进行预报的数据集,以检验特征提取的合理性.试验显示,预报相对误差要小于机理模型预报相对误差,说明提取特征比较合理.
热连轧、特征提取、主成分分析、深度置信网络、最小二乘支持向量机
44
国家重点研发计划资助项目2017YFB0304200
2020-07-14(万方平台首次上网日期,不代表论文的发表时间)
共5页
21-25