改進型EMD?Elman神經網絡預測鐵水硅含量的方法技術

本發明專利技術公開了一種改進型EMD?Elman神經網絡預測鐵水硅含量的方法，屬于工業過程監控、建模和仿真領域。首先，采用經驗模態分解將硅含量序列分解成有限個、相對平穩的本征模函數IMF和剩余分量；然后，分別對每個IMF和剩余分量建立Elman神經網絡子模型；最后，將子模型的結果進行加權融合，并利用粒子群算法進行權值的尋優，最終獲得硅含量的預測結果。本發明專利技術針對高爐煉鐵過程的時變、非線性、多尺度、以及動態性等特征，充分考慮了不同尺度的特征對預測結果的影響；能夠直接反映動態系統的特征的優勢；為了降低噪聲對預測結果的影響，對子模型的預測結果進行了加權融合，并進行權值的尋優。本發明專利技術相比現有方法對于高爐鐵水硅含量的預測具有更高的精度。

【技術實現步驟摘要】

本專利技術屬于工業過程監控、建模和仿真領域，特別涉及一種改進型EMD-Elman神經網絡預測鐵水硅含量的方法。
技術介紹
高爐煉鐵過程是一個連續進行的動態反應過程，具有時變、非線性、多尺度、大時滯等特征，其內部高溫、高壓、強腐蝕、強干擾等環境，使我們很難通過直接測量獲得內部的熱狀態。鑒于鐵水硅含量和爐溫的相關性，一般通過鐵水硅含量來間接地反映爐內溫度的變化，進而表征高爐的熱狀態。因此，準確預測硅含量，有利于控制爐溫，維持高爐的穩定順行。長期以來，為了對高爐進行有效地預測和控制，國內外研究人員從熱平衡、物料平衡等角度出發建立了多種機理數學模型。理論上，這些模型對于揭示高爐內部現象、反映高爐煉鐵機理起了一定的積極作用，但亦存在著準確性低、計算耗時多等缺點。隨著計算機等技術的發展，海量數據的獲得更加方便，數據驅動的方法引起了越來越多人的關注。目前，基于數據驅動思想建立的高爐預測模型主要有：自回歸模型、非線性時間序列分析模型、神經網絡模型等。這些模型有各自的優缺點和適用條件，在不同的生產條件下都曾起到過一定的積極作用。神經網絡本質為非線性系統，具有并行分布處理、自適應、自學習等能力，非常適合處理非線性、時變的問題。按照連接方式劃分，神經網絡有兩種：前向神經網絡和遞歸神經網絡。其中，前向神經網絡屬于靜態網絡，在非線性動態系統的應用中存在缺陷。而Elman神經網絡是一種典型的動態遞歸神經網絡，其在前向網絡的基礎上增加了一個聯系單元，通過存儲內部狀態，能直接反映動態系統的特性，在復雜系統的動態建模與預報領域顯示了很大的優勢。EMD分解是由Huang等人提出來的用于信號處理的方法，特別適合非線性非平穩信號的處理，它能將復雜信號分解為有限個本征模函數(IMF)，IMF分量不僅包含了原信號不同尺度的特征，而且相對平穩，更有利于模型預測精度的提高。然而，大多數高爐預測模型的建立基于固定尺度的假設，忽略了數據自身的多尺度特征對目標結果的影響。盡管EMD分解和Elman神經網絡在高爐鐵水硅含量的預測中均有應用，但將二者結合進行硅含量的預測目前尚未見報道?？赡苁怯捎贓MD分解得到的分量對應的子模型存在預測誤差，且由于高爐高噪聲的特點，IMF1對應的子模型誤差相對更大，降低了硅含量的預測精度，故二者的結合在現有技術中是不可行的。
技術實現思路
本專利技術的目的在針對現有技術的不足，提供一種改進型EMD-Elman神經網絡預測鐵水硅含量的方法。該方法采用EMD分解提取硅含量序列不同尺度上的特征，并利用Elman神經網絡進行動態建模，同時，為了降低噪聲對預測結果的影響，進一步提高預測精度，對子模型的預測結果進行加權融合，并利用PSO算法進行權值的尋優。因此，本方法在解決高爐煉鐵過程存在的時變、非線性、多尺度、以及動態性等復雜數據特性時具有很大的優勢，可以對鐵水硅含量實現有效的預測。一種改進型EMD-Elman神經網絡預測鐵水硅含量的方法，步驟如下：步驟一：將鐵水硅含量的原始數據利用EMD((Empirical?Mode?Decomposition)分解為有限個分量，所述的分量包括各IMF(Intrinsic?Mode?Function,)分量和剩余分量；步驟二：利用偏自相關函數(Partial?Autocorrelation?Function,PACF)及偏自相關圖確定分量的滯后階數，進而確定Elman神經網絡子模型的輸入、輸出變量；步驟三：對每個IMF分量和剩余分量建立Elman神經網絡子模型；步驟四：將各子模型的預測結果進行加權求和，并利用PSO(Particle?Swarm?Optimization)算法進行權值的尋優，得到硅含量的預測結果。步驟一所述的EMD分解過程如下：1)找出硅含量時間序列{s(t)本文檔來自技高網...

【技術保護點】
一種改進型EMD?Elman神經網絡預測鐵水硅含量的方法，其特征在于，步驟如下：步驟一：將鐵水硅含量的原始數據利用EMD分解為有限個分量，所述的分量包括各IMF分量和剩余分量；步驟二：利用偏自相關函數及偏自相關圖確定分量的滯后階數，進而確定Elman神經網絡子模型的輸入、輸出變量；步驟三：對每個IMF分量和剩余分量建立Elman神經網絡子模型；步驟四：將各子模型的預測結果進行加權求和，并利用PSO算法進行權值的尋優，得到硅含量的預測結果。

【技術特征摘要】
1.一種改進型EMD-Elman神經網絡預測鐵水硅含量的方法，其特征在于，步
驟如下：
步驟一：將鐵水硅含量的原始數據利用EMD分解為有限個分量，所述的分
量包括各IMF分量和剩余分量；
步驟二：利用偏自相關函數及偏自相關圖確定分量的滯后階數，進而確定
Elman神經網絡子模型的輸入、輸出...

【專利技術屬性】
技術研發人員：楊春節，宋菁華，馬淑艷，
申請(專利權)人：浙江大學，
類型：發明
國別省市：浙江;33