[發明專利]基于深度置信網絡的燒結礦化學成分預測方法

在審

• 申請號: 201810188530.1
• 申請日: 2018-03-07
• 公開（公告）號: CN108388762A
• 公開（公告）日: 2018-08-10
• 發明（設計）人: 王斌;袁致強;張良力;梁開
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/08
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 肖愛華

1.一種基于深度置信網絡的燒結礦化學成分預測方法，其特征在于，在燒結原料配料完成后，得到混合料，根據混合料化學成分，采用基于深度置信網絡即DBN算法的預測方法來預測燒結礦化學成分，以檢驗燒結配料過程中配比的準確性，及時調整配比，改進燒結礦質量；

該方法具體包括以下步驟：

S1：獲取燒結廠實際生產的歷史數據，對獲取的數據進行預處理，剔除異常數據并進行歸一化處理；

S2：確定影響燒結礦質量的輸入輸出參數，使用灰色關聯分析法來檢驗輸入參數的合理性；

S3：建立基于DBN的燒結礦化學成分預測模型，使用步驟S1中的數據對預測模型進行訓練，優化預測模型；

S4：以步驟S3得到的預測模型來預測燒結礦化學成分，預測結束后得到的數據在[0,1]之間，再對這些得到的數據進行反歸一化處理，得到燒結礦化學成分預測值。

2.根據權利要求1所述的基于深度置信網絡的燒結礦化學成分預測方法，其特征在于，所述步驟S1中：

獲取燒結廠實際生產的歷史數據包括混合料化學成分及其對應的燒結礦化學成分；異常數據包括兩類，一類是由于系統通訊錯誤或者軟件錯誤引起的異常采集數據；另一類是異常工況引起的異常數據；上述兩類異常數據都要剔除；

對數據進行歸一化處理，是將數據變換到[0,1]之間；DBN算法在使用softmax函數時，為避免網絡工作在函數的平坦區域，將數據變換到[0.1,0.9]，運用以下公式：

式中，X′為歸一化處理后各數據序列，X為歸一化處理前各數據序列，X_max為數據序列中最大值，X_min為數據序列中最小值。

3.根據權利要求1所述的基于深度置信網絡的燒結礦化學成分預測方法，其特征在于，所述步驟S2中：

根據實際生產經驗和查閱資料，選擇直接影響燒結礦質量的化學成分，確定輸入、輸出參數；采用以下灰色關聯分析公式來驗證輸入參數是否合理：

式中，r代表不同數據序列的關聯度，其反映了兩個數據序列的緊密程度，y(k)為參考數據序列，為比較數據序列，ρ為分辨系數，用來削弱參考數據序列與比較數據序列差異較大時的關聯度失真影響；

序列y(k)和分別為原始參考數據序列x(k)和原始比較數據序列均值化處理后的數據序列，均值化處理可以消除數據序列中數據量綱的影響，均值化處理公式如下：

4.根據權利要求1所述的基于深度置信網絡的燒結礦化學成分預測方法，其特征在于，所述步驟S3中，建立基于DBN的燒結礦化學成分預測模型的方法如下：

首先確定DBN模型網絡結構；通過反復調試獲得DBN模型層數，采用3-6層RBM結構；

其次是設置DBN模型參數；模型參數包括隱層節點數、迭代次數、批量大小、學習效率、訓練步數和激勵函數，參數設計是綜合考慮預測精度和訓練時間的結果；

最后，利用步驟S1中的數據對DBN模型進行訓練：先使用無監督貪婪算法預訓練模型；然后再通過BP算法反向傳播優化整個模型。

5.根據權利要求4所述的基于深度置信網絡的燒結礦化學成分預測方法，其特征在于，

步驟S3中，所述DBN模型網絡結構，采用3層RBM結構。

6.根據權利要求5所述的基于深度置信網絡的燒結礦化學成分預測方法，其特征在于，

使用無監督貪婪算法預訓練模型的方法如下：采用無監督貪婪算法充分訓練第一層RBM得到權重w1，得到一個與輸入數據類似分布的輸出，這一過程即是特征提取；保持w1不變，將第一層RBM隱藏層輸出作為第二層RBM可視層的輸入，繼續訓練第二個RBM；重復此過程直至所有的RBM訓練完成，得到權重w2和w3，確保在特征映射過程中特征向量映射到不同的特征空間時，盡可能多地保留特征信息；最后映射到輸出層，輸出層激勵函數為softmax函數，通過和數據標簽對比，隨機初始化輸出層權值w；經過上述預訓練模型之后，得到了網絡的初始權值w1，w2，w3，w。