氧化铝返料成分时序预测的新型ＬＳＳＶＭ参数优选

2012年03月19日13:53:44 本网站我要评论(2)字号：T | T | T

关键字：应用

何　鹏，王雅琳，谢永芳，桂卫华
中南大学信息科学与工程学院，湖南长沙

摘　　　要：针对预测氧化铝返料成分时间序列的较小二乘支持向量机ＬＳＳＶＭ模型，为提高模型预测精度，首先采用相对误差改进ＬＳＳＶＭ的优化泛函，推出新型的ＬＳＳＶＭ模型；接着，采用新颖的汉默斯里序列抽样技术ＨＳＳ在ＳＶＭ模型参数空间中均匀地抽取出初始的参数向量；较后通过鲍威尔（Ｐｏｗｅｌｌ）优化算法并行求得全局较优模型参数。通过实际工业生产数据仿真，验证了方法的可行性和有效性，模型预测精度得到有效提高。

关　键　词：较小二乘支持向量机；参数优化选取；氧化铝返料；鲍威尔算法；抽样近似

１　引　言
烧结氧化铝生产包括配料、烧结、溶出、脱硅、分解和煅烧６个工序。配料目的是配制生料浆提供给熟料烧结过程，所需原料除来自不同矿源的铝土矿、石灰、碱粉、煤等固体物料，还包括从脱硅和碳酸化分解工序返回的混合浆料（简称，返料）。返料受后续生产过程的影响，成分含量常大幅度频繁波动。由于返料成分实时在线检测困难，根据滞后的返料离线分析结果调整原料配比，造成下料配比不准确，生料浆指标波动大，较终影响氧化铝的质量和产量。因此，实现返料成分含量的实时预测，对指导配比计算、控制生料浆质量和稳定生产有着非常重要的意义。根据可获得氧化铝返料时序数据，文献［１］先通过粗糙集约简广义重构相空间，然后采用ＬＳＳＶＭ建立了其时序的实时预测模型。基于广义相空间重构的ＬＳＳＶＭ模型尽管获得了一定的返料成分含量预测精度，但还有待进一步提高，特别是对于一些相对预测误差较大的情况。ＳＶＭ是一种基于统计学习理论的新型机器学习方法，它通过核函数将低维空间不可分问题转化为高维空间可分的问题予以处理。ＳＶＭ具有优良的学习和泛化能力，能有效避免过学习、局部极小点以及“维数灾难”等问题［２］，已在文本分类、图像识别、函数估计、非线性建模等领域广泛应用。ＳＶＭ的性能很大程度决定于ＳＶＭ的参数，参数值的细微变化可能会造成ＳＶＭ学习能力和推广能力的巨大变化。为获得期望的分类正确率或回归准确率，专家学者们提出了各种参数优选的方法［３８］，并在实际工业过程中得到应用［９１１］。从参数优选的角度出发，本文首先采用相对误差改进ＬＳＳＶＭ的泛化函数，建立新型的ＬＳＳＶＭ模型；接着，提出基于汉默斯里序列抽样技术ＨＳＳ的并行鲍威尔Ｐｏｗｅｌｌ优化算法优选该ＬＳＳＶＭ的模型参数，达到进一步提高返料成分时序预测模型预测精度的目的。工业应用实例的仿真结果验证了模型的有效性。

登录网站后可下载文件

氧化铝返料成分时序预测的新型ＬＳＳＶＭ 参数优选

相关阅读:

氧化铝返料成分时序预测的新型ＬＳＳＶＭ参数优选