[发明专利]一种冶金成球过程中的分类判别系统

说明书

本发明是涉及一种冶金成球过程中的分类判别系统，该系统主要由聚类分类模块和判别优化模块构成，所述的聚类分类模块主要包含动态聚类单元和SVM分类单元：首先由动态聚类的方式得到一组初始标签，再以此初始标签为基础构建SVM分类模型，所述的判别优化模块主要包括判别单元和Fisher优化单元：判别单元对SVM分类与上一近邻分类两次得到的分类结果进行判别：若两次分类结果一致，则可以直接得到最优的分类方式；若两次分类结果不一致，则Fisher优化单元利用Fisher判别原理优化出基础类别，然后再以基础类别作为初始标签构建SVM分类模型，反复经过SVM分类和Fisher判别优化最终得到一种最优的分类方式，进而完成对球团样本的分类判别筛选工作。

技术领域

本发明涉及一种冶金成球过程中的分类判别系统，具体是涉及一种基于SVM-Fisher的分类、判别原理，对冶金成球产生的球团样本进行最优分类，从中筛选出符合需求球团的系统。

背景技术

在冶金行业中球团生产是将细磨铁精矿制成能满足高炉炼铁需要的块状物料的一个加工过程。铁精矿按照一定比例添加粘结剂后并混合均匀，再由造球机经滚动制成一定比例的生球，然后经干燥、焙烧使球团固结。高炉生产以低燃耗和高产率为目的的趋势已日益增加，对高炉炉料的质量要求越来越高。因此，从众多样本中筛选出高质量的球团对高炉冶炼有着重要的价值，同时提高高质量球团的产出量对于增加高炉生产效率也起着至关重要的作用。

工业上，对成球性试验所得到的球团性能进行评价时，具有多个方面的评价指标，除专业划级的个别指标外，更多的是需要依据标准进行人为划分的指标。

人为依据标准的划分可以针对单一指标具有100％的信度，但是对成球性试验中球团的性能进行综合评价时，指标数量和样本维数都会扩大，通过人为方式对球团性能进行分类是难以实现。

本发明就是针对以上问题提出的，提供了一种基于SVM-Fisher的分类、判别原理，对冶金成球产生的球团样本进行最优分类，从中筛选出符合需求球团的系统。

发明内容

本发明是涉及一种冶金成球过程中的分类判别系统，该系统主要由聚类分类模块和判别优化模块构成。其中聚类分类模块主要包含动态聚类单元和SVM分类单元两部分：首先由动态聚类的方式得到一组初始标签，再以此初始标签为基础构建SVM分类模型。判别优化模块主要包括判别单元和Fisher优化单元：判别单元对SVM分类得到的分类结果与上一近邻分类结果进行判别：若两次分类结果一致，则可以直接得到最优的分类方式；若两次分类结果不一致，则Fisher优化单元利用Fisher判别原理优化出基础类别，然后再以基础类别作为初始标签构建SVM分类模型，反复经过SVM分类和Fisher判别优化最终得到一种最优的分类方式，进而完成对球团样本的分类判别筛选工作。

聚类分类模块中的SVM分类单元是基于SVM分类原理对样本进行分类，主要是通过一个映射，即核函数，将低维空间不能线性可分的问题通过核函数映射到高维空间，从而使它变为线性可分。具体而言，SVM分类模型是通过已知标签的数据，构造出训练集和测试集，应用训练集进行模型训练，这是计算机自学习的一个过程，与神经网络类似，只不过神经网络是在给定置信范围，力求将经验风险降到最低；而SVM分类则相反，即经验风险是一定的，力求让置信范围达到最小。在完成模型的训练之后，将已知标签的测试集进行模型测试，得到模型测试的准确率，从而完成一个完整的SVM分类模型的建立过程，当模型本身达到一个较高分类精度时，对新的数据集进行标签化，达到分类的效果。