国家教育部博士点基金(20070335161)
- 作品数：3 被引量：68H指数：2
- 相关作者：郜传厚曾九孙刘祥官渐令陈积明更多>>
- 相关机构：浙江大学中国石油大学（华东）江西财经大学更多>>
- 发文基金：浙江省自然科学基金国家教育部博士点基金国家重点实验室开放基金更多>>
- 相关领域：金属学及工艺冶金工程更多>>
- TGARCH模型预测高炉铁水硅质量分数被引量：3
- 2010年
- 为了更好地反映高炉铁水硅质量分数序列的高波动特性,利用门限广义自回归条件异方差(TGARCH)模型对硅质量分数序列进行预测.应用Portmantea Q检验、拉格朗日乘子检验以及非对称项系数显著性检验,验证了高炉铁水硅质量分数序列存在异方差性和非对称性.在此基础上将TGARCH模型应用于高炉铁水硅质量分数预测,采用极大似然估计法确定参数,建立TGARCH(1,1,1)预测模型,并采用命中率和误差率2种评价准则对预测结果进行分析.这种方法克服了以往模型没有考虑序列非对称性影响的缺陷,更加适合于高炉铁水硅质量分数的预测.将预测模型应用于包钢6号高炉,取得了较好的预测效果.
- 潘伟刘祥官曾九孙
- 关键词：TGARCH硅含量时间序列
- 基于隐Markov模型的高炉铁水硅质量分数预测算法被引量：2
- 2008年
- 为正确预测高炉铁水中硅的质量分数([Si]),提出了一种基于隐Markov模型(HMM)的预测算法.从高炉冶金反应动力学出发,分析了高炉内反应的链接关系,这种链接关系和HMM的原理是一致的.在对系统参数初始化之后,利用重估公式对参数进行训练直至收敛,从而得到系统模型.通过Viterbi算法找出所有训练样本的最大可能状态路径,并计算其似然值.将新样本输入模型得到新的状态路径及其似然值,从训练样本中找出具有相同状态路径或最小偏差似然值的序列,以训练样本下一[Si]值作为新样本下一时刻的预测值.利用该算法对高炉实际生产数据进行仿真,结果表明,与传统的人工神经网络方法相比,该方法能够有效提高预测精度和效率.
- 曾九孙刘祥官郜传厚罗世华
- 关键词：高炉炼铁隐MARKOV模型数据模式
- 复杂高炉炼铁过程的数据驱动建模及预测算法被引量：63
- 2009年
- 高炉炼铁过程的控制意味着控制高炉铁水温度及成份在指定的范围.本文以高炉炉内热状态的重要指示剂—高炉铁水硅含量为研究对象,针对机理建模难以准确预测、控制高炉铁水硅含量的发展变化,利用数据驱动建模的思想,建立了基于多元时间序列的高炉铁水硅含量数据驱动预测模型.实例分析表明,建立的数据驱动预测模型能够很好地预测高炉铁水硅含量,连续预测167炉高炉铁水硅含量,命中率高达83.23%,预测均方根误差为0.07260.这些指标均优于基于单一硅时间序列所建立的数据驱动模型,对实际生产具有很好的指导作用.
- 郜传厚渐令陈积明孙优贤
- 关键词：数据驱动铁水硅含量时间序列
