[发明专利]一种基于IPSO-HKELM的高炉铁水硅含量预测方法

权利要求书

1.一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，包括如下操作步骤：

S1.获取高炉炼铁样本数据，其中，每个高炉炼铁样本数据中包含m个特征；

S2.将获取的高炉炼铁样本数据输入到铁水硅含量预测模型；

S3.铁水硅含量预测模型根据输入的高炉炼铁样本数据输出铁水硅含量。

2.根据权利要求1所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，在步骤S2中，先利用主成分分析方法对所述高炉炼铁样本数据进行处理，再将其输入到所述铁水硅含量预测模型。

3.根据权利要求1或2所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，所述铁水硅含量预测模型是基于改进粒子群算法优化的混合核极限学习机的高炉铁水硅含量预测模型。

4.根据权利要求3所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，所述基于IPSO-HKELM的高炉铁水硅含量预测的方法的具体操作步骤如下：

A1.获取多组影响高炉铁水硅含量的高炉炼铁样本数据，其中，每组数据中包含m个特征；

A2.利用主成分分析算法将每组数据中的m个特征降为n个特征；

A3.设置改进粒子群算法优化的混合核极限学习机的参数，其中设置输入层的节点个数为n，设置输出层的节点为1；

A4.将步骤A2所述高炉炼铁样本数据利用主成分分析算法处理后，作为所述改进粒子群算法优化的混合核极限学习机的输入数据；

A5.使用改进粒子群算法得到所述混合核极限学习机的最优核参数；

A6.获得的改进粒子群算法优化的混合核极限学习机即铁水硅含量预测模型。

5.根据权利要求4所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，所述步骤A2中，主成分分析算法中采用的是基于最小投影距离的思想推导降维标准。

6.根据权利要求4所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，在所述步骤A4和A5中，在使用改进粒子群算法优化的混合极限学习机的最优核参数时，采用线性递减的惯性权重。

7.根据权利要求6所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，在所述步骤A4和A5中，在使用改进粒子群算法优化的混合极限学习机的最优核参数时在每一轮迭代中，根据第一公式获取惯性权重ω(k)，所述第一公式为：

ω(k)＝ω_s-(ω_s-ω_e)(k/T_max)²

其中：ω_s为初始惯性权重；ω_e为迭代至最大次数时的惯性权重；k为当前迭代次数；T_max为最大迭代数。

8.根据权利要求6所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，所述步骤A5中的混合极限学习机中，采用混合函数代替ELM隐含层节点的特征映射。

9.根据权利要求8所述的一种基于IPSO-HKELM的高炉铁水硅含量预测的方法，其特征在于，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。