基于稀疏表示剪枝集成建模的烧结终点位置智能预测

烧结终点位置(BTP)是烧结过程至关重要的参数,直接决定着最终烧结矿的质量.由于BTP难以直接在线检测,因此,通过智能学习建模来实现BTP的在线预测并在此基础上进行操作参数调节对提高烧结矿质量具有重要意义.针对这一实际工程问题,首先提出一种基于遗传优化的Wrapper特征选择方法,可选取使后续预测建模性能最优的特征组合;在此基础上,为了解决单一学习器容易过拟合的问题,提出了基于随机权神经网络(RVFLNs)的稀疏表示剪枝(SRP)集成建模算法,即SRP-ERVFLNs算法.所提算法采用建模速度快、泛化性能好的RVFLNs作为个体基学习器,采用对基学习器基函数与隐层节点数等参数进行扰动的方式来增...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 41; no. 3; pp. 436 - 446
Main Authors 周平, 吴忠卫, 张瑞垚, 吴永建
Format Journal Article
LanguageChinese
Published 东北大学流程工业综合自动化国家重点实验室,辽宁沈阳 110819 01.03.2024
中国矿业大学煤炭加工与高效洁净利用教育部重点实验室,江苏徐州 221116%东北大学流程工业综合自动化国家重点实验室,辽宁沈阳 110819
Subjects
集成学习
pruning
burning through point(BTP)
智能预测
烧结终点位置
特征选择
ensemble learning
intelligent prediction
剪枝
随机权神经网络(RVFLNs)
稀疏表示
feature selection
random vector functional-link networks(RVFLNs)
sparse representation
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2022.20190

Cover

More Information
Summary:烧结终点位置(BTP)是烧结过程至关重要的参数,直接决定着最终烧结矿的质量.由于BTP难以直接在线检测,因此,通过智能学习建模来实现BTP的在线预测并在此基础上进行操作参数调节对提高烧结矿质量具有重要意义.针对这一实际工程问题,首先提出一种基于遗传优化的Wrapper特征选择方法,可选取使后续预测建模性能最优的特征组合;在此基础上,为了解决单一学习器容易过拟合的问题,提出了基于随机权神经网络(RVFLNs)的稀疏表示剪枝(SRP)集成建模算法,即SRP-ERVFLNs算法.所提算法采用建模速度快、泛化性能好的RVFLNs作为个体基学习器,采用对基学习器基函数与隐层节点数等参数进行扰动的方式来增加集成学习子模型间的差异性;同时,为了进一步提高集成模型的泛化性能与计算效率,引入稀疏表示剪枝算法,实现对集成模型的高效剪枝;最后,将所提算法用于烧结过程BTP的预测建模.工业数据实验表明,所提方法相比于其他方法具有更好的预测精度、泛化性能和计算效率.
ISSN:1000-8152
DOI:10.7641/CTA.2022.20190