基于RRBF神经网络的高炉热状态预测模型的研究

《基于RRBF神经网络的高炉热状态预测模型的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、麓庆大学硕士学谯论文中文摘要搐要上邀纪孛时教来，徽邀子、诗算辊、逶滚、瓣终、僖患、蠡动纯等辩学按零的迅猛发展，掀起了以储息技术为核心的“第三次浪潮”，正牵引着人类进入工业经济薅代最爨菇懿薅裳，并努开了翘识经济薅代麴大门。睦羞诗葵掇鼓零麴飞速发展和威用的普及，人类社会已经进入了～个倍息化的时代，人们利用信息技术生产彝搜集数撂媳能力大蝠凄提寒，镬耀数据挖掘技零对对象建模著进行预测戏为发展方向。文中以国内装大型钢铁公司螅高炉擞产数攥为背景，以铁水中硅含量为主璎的预报依据。由于高炉的热状态的输入输出数据集间存在着时间上的关系——这类数据豁为时态数据(TemporalData)。魇以在对孵态数

2、攒进行数据挖掘的过程中，必须考虑数据集之中数掇问存在着的时间关系。本文对旗于时态数据挖掘方法谶行了分捉，提出了使用RRBF神经喇络建立高炉的热状态预测模型。RRBF神经网络模型是寝RBF神经网络的输入上加入了岛反馈的神经元，使RRBF掰络对j建去时态的数据具有了记惦能力，其学习算法为在线的学习算法，通过RRBF神经网络模型预掇铁承中硅的含量以达到预报商炉熟状态的爵的。为德高商炉热状态静预报精成，稳定钢铁质潼，稳定生产工慧创造了良好的祭件。文审详细奔缁了稳髑人工种经网络纛立预测模型静憨慈及箕特点，胰生物露度和数学推理的方面阐述了神经网络的工作方式。分析了RBF及RRBF神经网络的瓣络结

3、稳及诱练算法。最届本文用Matlab建立做为仿真平台，建立了传统的RBF网络和RRBF网络麓仿真穰鳖。逶过灞试，RRBF鼹络翡霰掇精度帮潮练逮发都裙熬爵予传统秘RBF神经网络模型，可见RRBF在对非线性时间序列上数据挖掘中具有明显的优越性。关键词：径向基函数神经网络，RRBF神经网络，高炉热状态预测，数据挖掘，孵趣痔刭分辑，黩闺序裂数据挖撼至星查堂堡主兰垡笙奎萎壅塑茎ABSTRACTWiththerapiddevelopmentofmicro—electronics，computer,communication，Intemet，message．automationtechnologi

4、essincethemiddleperiodof20thcentury,Thethirdtidalwavecenteredonmessagetechnologyhascome，whichresultsinthebestflourishingperiodofindustryeconomicera,andopensthedoorofknowledgeeconomicera．Humansocietyhasenteredintotheinformationerawiththedevelopmentandpopularizmionofcompntertechnology．Thecapaeity

5、ofutilizinginformationtomanufactureandcollect。datahasimprovedgreatly．Dataminingtechnologyhasbeenthedirectionofpredictionandestablishingmodel．TheSiliconcontentinthemoltenironisregardedasamajorpredictionobjectbasedonmanufacturingdataofblastfurnace．Wemusttakethetimerelationshipintoaccountbecauseth

6、ereisarelationshipbetweentheinputandoutputdatasets(TemporalData)，whichIUmFisusedtoestablishtheheatstatepredictionmodelinthepaper．Theself-connectionneuralunithasbeenaddedtoRBFNNwhichmadeRBFNNhadthecapacityofmemorizingthepast-timedata．neon—linelearningmethodisalsoadoptedinthispaper．Bypredictingth

7、econtentofsiliconinmoltenirontheheatstateofblastfurnaceisgained，whichprovidethefineconditiontoimprovequalityofsteelandstabilizemanufacturingcmftwork．Theideas．featuresandoperationofartificalneuralnetworkareintroducedindetail．fromth