基于主动学习GA-SVM分类器的连铸漏钢预报

摘要：

针对在小样本数据情况下训练的连铸漏钢预报模型难以获得较高预报准确率的问题，提出了一种基于主动学习遗传算法支持向量机(GA-SVM)分类器的漏钢预报算法。该算法首先将采集到的连铸结晶器坯壳温度数据进行预处理，并将有效数据进行标注；然后利用标注后的小样本数据和遗传算法来优化SVM的经验参数，训练并得到支持向量机模型；最后利用某钢厂采集到的连铸结晶器坯壳温度数据进行测试。测试结果表明，在利用小样本数据进行训练的情况下，所提出的基于主动学习 GA-SVM分类器的连铸漏钢预报算法具有较高的漏钢预报率(预报精度)和100％的漏钢报出率，验证了所提漏钢预报算法的有效性。

关键词：漏钢预报、GA-SVM、主动学习、小样本数据

所属期刊栏目：27

分类号：TF345(冶金机械、冶金生产自动化)

资助基金：国家自然科学基金委员会与宝钢集团有限公司联合资助项目U1260203;国家自然科学基金资助项目61403332;河北省自然科学基金钢铁联合基金资助项目F201320329;河北省高等学校创新团队领军人才培育计划资助项目LJRC013

在线出版日期：2016-07-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1609-1614