PSO-GA优化ELM的高炉铁水硅含量预测

Prediction of Silicon Content in Blast Furnace Hot Metal by PSO-GA Optimized ELM

孙洁 ¹崔婷婷 ¹刘晓悦 ¹徐彬²

扫码查看

作者信息

1. 华北理工大学电气工程学院,河北唐山063210
2. 首钢京唐钢铁联合有限责任公司炼铁部,河北唐山063210
折叠

摘要

针对高炉冶炼过程的复杂、多变以及非线性等因素,提出了一种基于粒子群算法(Particle swarm optimization,PSO)和遗传算法(Genetic algorithm,GA)相结合来优化极限学习机(Extreme learning machine,ELM)的高炉铁水硅含量预测模型.PSO-GA-ELM预测模型,主要是在PSO算法进行适应度值计算、粒子的速度更新和位置更新时将GA算法中的选择、交叉和变异等操作融入其中,使其输出最优的连接权值和阈值代入到ELM模型中.通过对4种不同的预测模型进行实验验证,结果表明,优化后的PSO-GA-ELM模型在进行铁水硅含量预测时的预测精度、学习能力和泛化性能均高于其他三种预测模型.

关键词

粒子群算法/遗传算法/极限学习机/硅含量预测/预测精度/泛化性能

引用本文复制引用

基金项目

河北省自然科学基金(E2019209492)

出版年

2022

机械设计与制造

辽宁省机械研究院

机械设计与制造

CSTPCD北大核心

影响因子：0.511

ISSN：1001-3997

被引量5

参考文献量6

段落导航