[发明专利]基于Elman‑Adaboost强预测器的铁水硅含量预测方法在审
| 申请号： | 201610393666.7 | 申请日： | 2016-06-06 |
| 公开（公告）号： | CN106096637A | 公开（公告）日： | 2016-11-09 |
| 发明（设计）人： | 杨春节;庄田;王琳 | 申请（专利权）人： | 浙江大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;C21B5/00 |
| 代理公司： | 杭州求是专利事务所有限公司 33200 | 代理人： | 林松海 |
| 地址： | 310058 浙江*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于Elman‑Adaboost强预测器的铁水硅含量预测方法，属于工业过程监控、建模和仿真领域。首先，选择合适的输入变量，归一化后作为K个弱预测器的输入；其次，确定训练样本的初始权值；然后，分别进行K个弱预测器的训练，并根据其训练结果更新样本的权值，反复训练；最后，计算弱预测器的权重，融合多个弱预测器以得到强预测器的预测结果。高炉炼铁过程的动态性使铁水硅含量的预测精度不高，本发明针对这一问题，选择动态性能较好的Elman神经网络作为弱预测器，并通过Adaboost算法融合多个弱预测器以得到Elman‑Adaboost强预测器，该模型应用于硅含量的预测研究尚属空白。本发明相比现有方法对于铁水硅含量的预测具有更高的精度。 | ||
| 搜索关键词： | 基于 elman adaboost 预测 铁水 含量 方法 | ||
【主权项】：
一种基于Elman‑Adaboost强预测器的铁水硅含量预测方法，其特征在于，该方法的步骤如下：步骤一：训练样本及归一化，选择输入变量及其时滞，进行归一化处理后，将其作为K个Elman神经网络弱预测器的输入，K为自然数；步骤二：初始化，随机选择m组为训练样本，n组为测试样本，确定训练样本的初始权值；步骤三：弱预测器预测，分别进行K个弱预测器的训练，并根据其训练结果更新样本的权值，反复训练；步骤四：强预测器预测，确定弱预测器的权重，融合多个弱预测器以得到强预测器的预测结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江大学，未经浙江大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201610393666.7/，转载请声明来源钻瓜专利网。
