资源描述：
《基于粗糙集与改进的bp网络的锌产量预测模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、基于粗糙集与改进的BP网络的锌产量预测模型*（中南大学信息科学与工程学院，湖南长沙410083）(mljuan015@gmail.com)摘要：运用粗糙集方法,在不改变训练样本分类质量的条件下，按照属性相对于决策表的重要度的大小，对输入参数集进行约简，确定神经网络输入层变量和神经元个数。同时，采用基于Levenberg-Marquardt方法的BP神经网络通过对典型样本的学习，建立粗糙集与改进的BP神经网络预测模型，将其应用于密闭鼓风炉熔炼锌产量预测。结果表明，该方法减少了网络的训练时间，改善了学习效率，具有较高的预测精度，是可行的、
2、有效的。关键词：粗糙集;Levenberg-Marquardt方法;BP网络;密闭鼓风炉;锌产量预测中图分类号：TP18文献标示码：AAnForecastingModelforZincOutputBasedonRoughSetandBPArtificialNeuralNetwork(CollegeofInformationScienceandEngineering,CentralSouthUniversity,Changsha410083)Abstract:Intermoftheimportantdegreeofinputinflue
3、ncefactortooutput,roughsetapproachandtheconceptionofrelationsareemployedtoreducetheparametersoftheinputparametersetwithnochangingclassificationqualityofsamples.Thus,thenumberoftheinputvariablesandneuronsisgotten,andtheforecastingmodelbasedonroughsetandBPartificialnetwor
4、kwithLevenberg-Marquardtalgorithmissetbylearningfromthetypicalsamples.Itsapplicationtothezincoutputisgiven.Itisshownthattheapproachcanreducethetrainingtime,improvetheearningefficiency,enhancethepredicationaccuracy,andbefeasibleandeffective.Keywords:Roughset;Levenberg-Ma
5、rquardtalgorithm;BPnetwork;ImperialSmeltingFurnace;ZincOutputforecastingmodel0引言密闭鼓风炉(ISF)熔炼铅锌的熔炼过程是在满足质量的前提下最大可能的提高产品的产量,特别是锌的产量,因为锌的价格远大于铅的铅的价格。因此，建立各操作参数与锌产量之间的关系模型具有实际意义。近年来，国内外学者对预测理论和方法做了大量的研究工作，提出了各具特色的预测方法。如时间序列分析方法、回归分析法以及基于模糊数学、灰色理论、分形理论或人工神经网络的预测方法等。其中，神经网络具有
6、强大的任意函数逼近能力、学习能力、自组织和自适应能力，但当输入参数过多，样本数量过大时，网络收敛速度变慢，需要较长的训练时间，并易陷入局部最优。波兰科学院院士Z.Pawlak[1]教授于1982年提出的粗糙集理论是继概率论、模糊集、证据理论之后的又一个处理不完整性和不确定性的数学工具，具有很强的实用性，在许多领域如人工智能、控制与决策、模式识别与故障诊断、冲突分析等取得了令人鼓舞的成果[2]。鉴于此，本文融合粗糙基金项目：国家自然科学基金（No.60574030）.作者简介：集方法和神经网络技术各自的优势，在不改变样本分类质量的条件下
7、，运用粗糙集方法和属性相依度概念约简属性参数，确定网络输入层变量和神经元个数。同时，标准的BP网络[3]存在自身的限制与不足,如需要较长的训练时间、会收敛于局部极小值等，使得BP算法在实际应用中不是处处能胜任,因此近十几年来,许多研究人员对其做了深入的研究,提出了许多改进的算法,如使用动量项的加快离线训练速度的方法、快速传播算法、δ-δ方法、以及最优滤波法等。因此,本文采用基于Levenberg-Marquardt方法的改进的BP神经网络，更进一步克服神经网络自身的缺点，这样建立起粗糙集与改进的BP神经网络（RoughsetBackr
8、opagationNetworks，RSBPN）预测模型，并将其应用于密闭鼓风炉熔炼锌产量预测。1RSBPN预测模型的建立依据粗糙集理论与方法确定模型的输入变量，首先应建立粗糙集的决策数据模型，将影响输出结果的属性参数作
