高炉铁水质量鲁棒正则化随机权神经网络建模
高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality,MIQ)指标模型.针对现有MIQ建模方法的不足,本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks,RVFLNs)算法,用于实现MIQ指标在线估计的鲁棒建模.首先,为了提高建模效率和降低计算复杂度,采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量;其次,由于传统RVFLNs网络的输出权值由最小二乘估计获得,易受离群数据影响而鲁棒性差,引入基于Gaussian分布加权的M估计技术,提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型;同时,在鲁棒加权后的最小二乘损失函数基础上,进一步引入L1和L2两个正则化项以构成优化目标函数的Elastic net,用于稀疏化RVFLNs网络的输出权值矩阵,解决RVFLNs网络多重共线性和过拟合的问题.最后,基于某大型高炉工业数据,进行充分数据实验,结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.
RVFLNs、鲁棒建模、Gaussian分布加权M估计、高炉炼铁、铁水质量
46
国家自然科学基金项目;中央高校基本科研业务费项目;辽宁省‘兴辽英才计划’项目;矿冶过程自动控制技术国家北京市重点实验室开放课题
2020-06-02（万方平台首次上网日期，不代表论文的发表时间）
共13页
721-733
