[发明专利]改进型EMD‑Elman神经网络预测铁水硅含量的方法

权利要求书

1.一种改进型EMD-Elman神经网络预测铁水硅含量的方法，其特征在于，步骤如下：

步骤一：将铁水硅含量的原始数据利用EMD分解为有限个分量，所述的分量包括各IMF分量和剩余分量；

步骤二：利用偏自相关函数及偏自相关图确定分量的滞后阶数，进而确定Elman神经网络子模型的输入、输出变量；

步骤三：对每个IMF分量和剩余分量建立Elman神经网络子模型；

步骤四：将各子模型的预测结果进行加权求和，并利用PSO算法进行权值的寻优，得到硅含量的预测结果。

2.根据权利要求1所述的方法，其特征在于，步骤一所述的EMD分解过程如下：

1)找出硅含量时间序列{s(t)}的所有局部极值点；

2)通过三次样条插值函数，分别拟合局部极大值和极小值，得到上包络线{s₁(t)}，下包络线{s₂(t)}；

3)求上下包络的均值{m(t)}：

4)将s(t)减去m(t)得到新序列{h(t)}即：

h(t)＝s(t)-m(t) (2)

如果h(t)满足以下两个条件：

(a)序列的极值点和过零点的个数相等或是相差1，

(b)序列的极大值点插值得到上包络和极小值点插值得到下包络之和为0；

则h(t)为IMF分量，那么用m(t)＝s(t)-h(t)代替{s(t)}；否则，用{h(t)}代替{s(t)}，重复2)-4)，直至满足终止条件：

其中，n为h_i(t)的长度，i为迭代次数，σ为终止参数，σ的取值范围是[0.2,0.3]；

5)重复1)-4)，直至至少满足以下两个条件之一：

(c)分量imf_l(t)或剩余分量r_l(t)小于预定的值，

(d)r_l(t)变为单调函数，从中不可能筛选出新的IMF分量。

3.根据权利要求1所述的方法，其特征在于，步骤二所述的偏自相关函数的计算过程如下：

1)设{y(i)}(i＝1,2,…,n)为分量的时间序列，γ(t)为时滞t时刻的协方差，其估计值为：

其中，为{y(i)}的均值，m＝n/4为最大时滞，满足

2)设ρ(t)为时滞t时刻的自相关函数，其估计值为：

3)设α(t,t)为时滞t时刻的PACF，则其估计值可由公式(6)(7)(8)导出；

其中，t＝1,2,...，m，j＝1,2,...,n。

4.根据权利要求1所述的方法，其特征在于，步骤三所述的Elman神经网络的 结构如下：Elman网络除了具有输入层、隐层、输出层单元外，还有一个联系单元，该联系单元用来记忆隐层单元以前时刻的输出值，可认为是一个时延算子，使该网络具有动态记忆的功能，训练好的Elman网络具备非线性映射和动态特性，能够反映高炉内部的动态特征，

Elman神经网络的数学模型为：

x(k)＝f(w^I1x_c(k)+w^I2u(k-1))

x_c(k)＝x(k-1)(9)

y(k)＝g(w^I3x(k))

其中，连接权w^I1为联系单元与隐层单元的连接权矩阵，w^I2为输入单元与隐层单元的连接权矩阵，w^I3为隐层单元与输出单元的连接权矩阵，x_c(k)和x(k)分别表示联系单元和隐层单元的输出，y(k)表示输出单元的输出，f(·)和g(·)分别是隐层单元和输出单元的传递函数。

5.根据权利要求1所述的方法，其特征在于，适用于具有时变、非线性、多尺度以及动态性特征的高炉炼铁过程。