[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

说明书

本发明提供一种基于PSO‑ELM算法的混匀矿烧结基础特性预报方法，涉及计算机技术领域。本发明包括以下步骤：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化学成分、烧损及其烧结基础特性；步骤2：建立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。本发明采用具有最优权重矩阵、最优偏置向量粒子群算法优化的极限学习机神经网络对混匀矿化学成分以及烧损进行处理，得到的混匀矿样品的烧结基础特性精度较高且该方法效率高、成本低。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法。

背景技术

铁矿石烧结基础特性是指铁矿石在烧结过程中所表现出的高温物理化学性能，它主要包括铁矿石的同化性能、液相流动性，粘结相强度性能和铁酸钙生成性能等。铁矿石烧结基础性能的提出有利于完善烧结理论、改善烧结矿质量和优化烧结工艺过程。传统的对铁矿石烧结基础特性预报的实验方法，所需时间长、耗材多、费用高。为了正确把握铁矿石在烧结过程中高温条件下的行为及其相互作用，实现烧结生产的合理配矿，为工艺参数的合理选择、优化提供理论依据，对铁矿石的烧结基础特性进行快速、准确的预报意义重大。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法，具有效率高、成本低、且精度高的优点。

为解决上述技术问题，本发明所采取的技术方案是：一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法，具体步骤如下:

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，从而得到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。

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；

所述步骤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。

优选地，在使用粒子群算法得到所述粒子群算法优化的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。

优选地，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：