[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

说明书

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，包括以下步骤：1)分析采集的钢板数据信号；2)特征提取；3)数据归一化处理；4)带钢厚度预测；发明一种改进灰狼算法优化支持向量回归的带钢厚度预测方法，通过使用差分灰狼算法优化支持向量回归机的惩罚因子P和核函数系数σ，从而提高支持向量回归机性能。本发明使用的数据是来源于国内某钢厂的热连轧板带材实际生产数据。在带钢厚度预测模型构建模块中，训练中的样本集采用预处理后的特征向量并运用经改进差分灰狼算法优化的SVR方法训练带钢厚度预测模型。本发明通过上述步骤，提供一种预测误差小、预测精度高、鲁棒性好的带钢厚度预测方法。

技术领域

本发明涉及一种用于预测带钢出口厚度的方法，是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。

背景技术

带钢厚度在轧制过程中占据着重要的地位，出口厚度的精度已经成为衡量钢板成品质量的重要指标。但是在实际的轧制过程中，带钢出口厚度有众多的影响因素，并且每个因素根据张力控制方法对带钢厚度产生不同的影响。目前，对带钢厚度控制预测普遍采用自动厚度控制(AGC)方法，但是这种方法的控制精度完全取决于控制模型的精度，所以使得厚度的精度预测受到限制。近年来，由于传统方法不能达到实际的需求，神经网络被普遍应用于轧钢的预测中，灵活运用人工智能技术已然成为各行各业里研究学者的一个重要研究方向。

发明内容

本发明的目的是提供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。

为实现上述目的，本发明创造采用的技术方案为：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，其步骤为：

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；