|
|
|
| 应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量 |
| 徐生林;史燕;杨成忠; |
| 杭州电子科技大学自动化学院; |
|
|
|
|
摘要 应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。
|
|
| 关键词 ：
混沌粒子群优化算法,
BP神经网络,
铁水含硅量,
预报
|
|
出版日期: 2010-05-28
|
|
通讯作者:
徐生林;
|
| [1] |
邱东;仝彩霞;祁晓钰;郭亚平;朱里红;张俊明;. 基于神经网络的高炉铁水硅含量预报模型的研究[J]. 冶金分析, 2009, 29(2): 1-1. |
| [2] |
张成燕;徐望;赵冬冬;马卫兴;. 基于神经网络的水厂原水水质的综合评价[J]. 冶金分析, 2008, 28(5): 1-1. |
| [3] |
马成有;王英华;王洪艳;. 系统聚类—反向传播(BP)神经网络用于铅相态分析[J]. 冶金分析, 2007, 27(7): 1-1. |
| [4] |
李井会;彭丹;陈平;陈国顺;赵红霞;张国民;窦成;. 遗传神经网络-分光光度法同时测定钢中铋和铈[J]. 冶金分析, 2006, 26(5): 1-1. |
| [5] |
刘咏;任凤莲;. BP神经网络在铝电解质分子比预报中的应用[J]. 冶金分析, 2006, 26(4): 1-1. |
|
|
|
|
