[发明专利]一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法

权利要求书

1.一种改进差分灰狼算法优化支持向量回归的带钢厚度预测方法，其特征在于，其步骤为：

1)分析采集的钢板数据信号；

2)特征提取：用互信息法计算带钢出口厚度与影响因素的互信息值，选择对带钢厚度影响大的因素，完成特征提取；

2.1)互信息法：设置变量H和G，其中H为输入的参数向量，G为带钢厚度，变量H和G之间的互信息值表示为I(H；G)，公式如(1)所示：

其中：μ_HG(H,G)表示H和G的联合概率密度函数：

μ_H(H)表示H的边缘概率密度函数；

μ_G(G)表示G的边缘概率密度函数；

2.2)预测模型输入参数特征提取具体方法：

设输入参数向量为H＝{H₁,H₂,…,H_N}，N表示向量维数；

2.2.1)通过公式(1)计算H_i与G的互信息值I(H_i；G)，i＝1,2,...,N；

2.2.2)设置相关性阈值z(z∈[0,1])，设置为z＝1/N；

2.2.3)选择互信息值I(H_i；G)＞z的参数H_i，对最终选取的影响参数组合为新的数据集作为带钢厚度预测的实验数据集；

3)数据归一化处理：选择min-max方法对实验数据集R数据归一化处理：利用线性变换方法将数据的值转换为[0,1]之间的数，其线性变换公式如(2)所示：

其中：max和min表示实验数据集R的最大值和最小值；

R为实验数据集；

R^*为归一化后的实验数据集；

当样本数据集发生变化时，重新计算max和min的值；

4)带钢厚度预测：

4.1)差分算法和灰狼算法：使用差分算法交叉和选择操作继续保持种群的不同，将差分算法处理过的种群作为灰狼算法的父代种群，确定目标函数值最高的前三个适应个体α狼、β狼和δ狼；根据α狼、β狼和δ狼的目标函数值更新灰狼中单独个体的位置，再经过差分算法的交叉和选择操作对所有个体的位置进行不断更新，计算出所有灰狼个体的目标函数值，最后从更新后的灰狼个体中选出目标函数值最大的三个灰狼，作为新的α狼、β狼和δ狼，；重复上述操作直至最优目标函数值出现或者达到迭代次数；

4.2)改进灰狼摇摆因子C：在初始灰狼算法中，参数C的公式(3)如下：

C＝2r₁ (3)

其中：r₁是[0,1]中的随机变数；

当C＜1时，减小灰狼靠近猎物的难度，使灰狼更加容易搜寻到猎物，当C＞1时，增大灰狼靠近猎物的难度，使灰狼个体更难接近猎物。GWO在迭代前期，种群多样性好，应加快收敛，而在迭代后期，应增强其局部的精准搜索能力。参数C进行改进，改进后的公式如下：

式中r₃[-1,1]之间的随机参数，t是当前迭代次数，MaxIter是最大迭代次数。

4.3)用改进后的灰狼来寻找支持向量回归机最优的惩罚因子P和核函数系数σ，使惩罚因子P和核函数系数σ映射为最优灰狼个体的位置，求得最终支持向量回归机的惩罚因子P和核函数系数σ，得到改进后的灰狼优化支持向量回归机模型用于带钢厚度预测。

2.根据权利要求1所述的改进灰狼算法优化支持向量回归的带钢厚度预测方法，其特征在于：

所述的步骤4.1)中，具体方法为：

4.1.1)初始化父代种群、突变种群、子代种群，遍历各个种群中的所有灰狼个体，计算每个灰狼的目标函数值；

4.1.2)按照目标函数值大小进行排序，取排在前三名的灰狼，分别作为父代种群中的α狼、β狼和δ狼；

4.1.3)开始进行迭代，设置迭代次数t＝1，设置收敛因子A、随机变量e、摇摆因子C，并且每迭代一次都要更新直到迭代结束；更新父代种群中灰狼个体的位置，按照公式(5)进行变异，构造出中间体，

D_i(t+1)＝X_r1(t)+F·(X_r2(t)-X_r3(t)) (5)

其中：F是缩放因子，取值范围在[0,2]之间；t是当前迭代次数；X_r1(t)、X_r2(t)、X_r3(t)代表三个随机个体；D_i(t+1)表示变异的个体；r1，r2和r3是三个随机数，区间为[1,NP]；NP为种群规模；

4.1.4)产生变异个体之后，按照公式(6)进行交叉操作

其中：CR是交叉概率，CR是[0,1]之间的一个随机数值，t是当前迭代次数；D_n是随机维度，U_i,j(t+1)为实验个体；D_i,j(t+1)为变异个体；X_i,j(t)为目标个体；r是[0,1]上均匀分布的随机数。