[發明專利]一種冶金成球過程中的分類判別系統

有效

• 申請號: 201611218510.1
• 申請日: 2016-12-26
• 公開（公告）號: CN106845522B
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 李杰;劉衛星;楊愛民;李慧;梁精龍;周齊
• 申請（專利權）人: 華北理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 11350 北京科億知識產權代理事務所(普通合伙)
• 代理人: 湯東鳳

本發明是涉及一種冶金成球過程中的分類判別系統，該系統主要由聚類分類模塊和判別優化模塊構成，所述的聚類分類模塊主要包含動態聚類單元和SVM分類單元：首先由動態聚類的方式得到一組初始標簽，再以此初始標簽為基礎構建SVM分類模型，所述的判別優化模塊主要包括判別單元和Fisher優化單元：判別單元對SVM分類與上一近鄰分類兩次得到的分類結果進行判別：若兩次分類結果一致，則可以直接得到最優的分類方式；若兩次分類結果不一致，則Fisher優化單元利用Fisher判別原理優化出基礎類別，然后再以基礎類別作為初始標簽構建SVM分類模型，反復經過SVM分類和Fisher判別優化最終得到一種最優的分類方式，進而完成對球團樣本的分類判別篩選工作。

技術領域

本發明涉及一種冶金成球過程中的分類判別系統，具體是涉及一種基于SVM-Fisher的分類、判別原理，對冶金成球產生的球團樣本進行最優分類，從中篩選出符合需求球團的系統。

背景技術

在冶金行業中球團生產是將細磨鐵精礦制成能滿足高爐煉鐵需要的塊狀物料的一個加工過程。鐵精礦按照一定比例添加粘結劑后并混合均勻，再由造球機經滾動制成一定比例的生球，然后經干燥、焙燒使球團固結。高爐生產以低燃耗和高產率為目的的趨勢已日益增加，對高爐爐料的質量要求越來越高。因此，從眾多樣本中篩選出高質量的球團對高爐冶煉有著重要的價值，同時提高高質量球團的產出量對于增加高爐生產效率也起著至關重要的作用。

工業上，對成球性試驗所得到的球團性能進行評價時，具有多個方面的評價指標，除專業劃級的個別指標外，更多的是需要依據標準進行人為劃分的指標。

人為依據標準的劃分可以針對單一指標具有100％的信度，但是對成球性試驗中球團的性能進行綜合評價時，指標數量和樣本維數都會擴大，通過人為方式對球團性能進行分類是難以實現。

本發明就是針對以上問題提出的，提供了一種基于SVM-Fisher的分類、判別原理，對冶金成球產生的球團樣本進行最優分類，從中篩選出符合需求球團的系統。

發明內容

本發明是涉及一種冶金成球過程中的分類判別系統，該系統主要由聚類分類模塊和判別優化模塊構成。其中聚類分類模塊主要包含動態聚類單元和SVM分類單元兩部分：首先由動態聚類的方式得到一組初始標簽，再以此初始標簽為基礎構建SVM分類模型。判別優化模塊主要包括判別單元和Fisher優化單元：判別單元對SVM分類得到的分類結果與上一近鄰分類結果進行判別：若兩次分類結果一致，則可以直接得到最優的分類方式；若兩次分類結果不一致，則Fisher優化單元利用Fisher判別原理優化出基礎類別，然后再以基礎類別作為初始標簽構建SVM分類模型，反復經過SVM分類和Fisher判別優化最終得到一種最優的分類方式，進而完成對球團樣本的分類判別篩選工作。

聚類分類模塊中的SVM分類單元是基于SVM分類原理對樣本進行分類，主要是通過一個映射，即核函數，將低維空間不能線性可分的問題通過核函數映射到高維空間，從而使它變為線性可分。具體而言，SVM分類模型是通過已知標簽的數據，構造出訓練集和測試集，應用訓練集進行模型訓練，這是計算機自學習的一個過程，與神經網絡類似，只不過神經網絡是在給定置信范圍，力求將經驗風險降到最低；而SVM分類則相反，即經驗風險是一定的，力求讓置信范圍達到最小。在完成模型的訓練之后，將已知標簽的測試集進行模型測試，得到模型測試的準確率，從而完成一個完整的SVM分類模型的建立過程，當模型本身達到一個較高分類精度時，對新的數據集進行標簽化，達到分類的效果。