针对转炉终点神经网络预测模型数据预处理过程中多变量、大样本的特点,介绍并应用了一种识别及检验异常数据的方法;筛选了神经网络模型的数据样本集数据;并初步验证了筛选结果.经过筛选,神经网络预测模型训练集数据训练误差绝对值的平均值及最大值分别下降了26.7%和41%;测试集数据测试误差的平均值及最大值分别下降10%和45%.结果表明,该方法对于转炉预测模型的数据筛选行之有效,对转炉预测模型的进一步完善有一定的实用价值.
参考文献
[1] | 陈忠伟,袁守谦.LD转炉冶炼的静态数学模型及实现[J].炼钢,2000(05):31-34. |
[2] | 斋腾忠;江波户绂一;坪根严 .转炉终点成分推定技术の开发[J].铁と钢(日本),1990,76(11):1972-1977. |
[3] | Yun S.Y.;Chang K.S. .Dynamic Prediction Using Neural Network for Automation of BOF Process in Steel Industry[J].Iron & Steelmaker,1996(8):37-42. |
[4] | 谢书明,陶钧,柴天佑.基于神经网络的转炉炼钢终点控制[J].控制理论与应用,2003(06):903-907. |
[5] | 杨立红,刘浏,何平.基于双输出神经网络的转炉碳温控制模型[J].钢铁,2002(11):13-15,34. |
[6] | GB 4883-1985.GB 4883-1985.数据的统计处理和解释-正态样本异常值的判断和处理[S]. |
[7] | 陈忠琏.稳健统计(Ⅰ)[J].数理统计与管理,1992(01):56. |
[8] | David C Hoaglin;Frederick Mosteller;John W Tukey.Under Standing Robust and Exploratory Data Analysis[M].Washington:John Wiley and Sons,Inc,1983 |
[9] | 冯明霞,邹宗树,李强.应用改进的神经网络模型预报转炉冶炼终点[J].炼钢,2006(01):40-44. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分:
-
10%
-
20%
-
30%
-
40%
-
50%