[发明专利]一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法

权利要求书

1.一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法，其特征在于：包括以下步骤：

步骤1：获取待检测的混匀矿样本数据，样本数据分为训练集和测试集，所述混匀矿样本数据包括混匀矿烧结基础特性、混匀矿烧结基础特性相对应的化学成分、烧损的铁矿粉数据，其中每组混匀矿样品的化学成分数据中包含n个特征；

步骤2：建立混匀矿烧结基础特性预报模型；利用训练集中的数据通过粒子群算法得到极限学习机神经网络的最优权重矩阵、最优偏置向量，通过最优权重矩阵、最优偏置向量确定混匀矿烧结基础特性预报模型；

步骤3：通过测试集的数据对混匀矿烧结基础特性预报模型进行验证。

2.根据权利要求1所述的一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法，其特征在于：所述步骤1中的基础特性包括同化温度、液相流动性指数和粘结相强度。

3.根据权利要求1所述的一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法，其特征在于：步骤2包括如下子步骤：

步骤2.1：设置粒子群算法优化的极限学习机神经网络的参数，其中，设置输入层的节点个数为n+1，设置输出层的节点为1；

步骤2.2：将训练集中的混匀矿的化学成分和烧损作为粒子群算法优化的极限学习机神经网络的输入数据；混匀矿的烧结基础特性数据作为粒子群算法优化的极限学习机神经网络的输出数据；

步骤2.3：使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量；并将得到的最优权重矩阵设置为混匀矿烧结基础特性预报模型的权重矩阵；将得到的最优偏置向量设置为混匀矿烧结基础特性预报模型的偏置向量；从而得到混匀矿烧结基础特性预报模型。

4.根据权利要求1或3所述的一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法，其特征在于：所述极限学习机神经网络采用Sigmoid函数作为激活函数。

5.根据权利要求3所述的一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法，其特征在于：所述步骤2.3中的在使用粒子群算法得到极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中，根据第一公式获取惯性权重ω(k)，所述第一公式为：

ω(k)＝ω_start-(ω_start-ω_end)·k/T_max，其中，ω_start＝0.9，ω_end＝0.4，k为当前迭代次数，T_max为最大迭代次数；

在每一轮迭代中，根据第二公式更新粒子的个体极值P_ib和群体极值P_g，所述第二公式为：

其中，P_i为第i个粒子的位置，f(·)为粒子的适应度函数。