[發明專利]基于CJS-SLLE降維的轉爐煉鋼終點碳溫預測方法

在審

• 申請號: 202211064606.2
• 申請日: 2022-08-31
• 公開（公告）號: CN115600486A
• 公開（公告）日: 2023-01-13
• 發明（設計）人: 劉輝;趙安;劉旭琛;楊路;邵彬;張大錦;丁文宇;楊健韜
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/25;G06F18/22;G06N20/00;G06F119/08
• 代理公司: 云南盛恒知識產權代理有限公司 53224
• 代理人: 占國霞

1.基于CJS-SLLE降維的轉爐煉鋼終點碳溫預測方法，其特征在于，具體包括以下步驟：

S1、采集鋼廠實際轉爐煉鋼生產過程數據；

S2、歸一化處理上述S1采集的數據；

S3、將原始高維過程數據劃分為訓練樣本X＝[x₁,x₂,…,x_n],X∈R^D×n和測試樣本X_new＝[x_new1,x_new2,…,x_newm]，X_new∈R^D×m；

S4、采用CJS-SLLE監督降維算法分別提取高維訓練樣本和測試樣本的低維特征；

S4.1、構造融合距離、碳溫標簽信息和數據間方向信息CJS相似性度量策略；

S4.2、基于CJS相似性度量策略對高維訓練樣本實現監督降維，提取低維特征；

S4.3、通過自適應局部線性投影算法，根據高維訓練樣本及其低維特征提取待測樣本蘊含標簽信息的低維特征；

S5、根據即時學習算法，在低維訓練樣本中采用灰色關聯度選出與待測樣本關聯性最強的相似樣本子集作為局部模型訓練樣本；

S6、將當前待測樣本與對應相似樣本子集輸入到偏最小二乘局部回歸預測模型中進行終點碳含量與溫度的預測；

S7、對下一個待測樣本重復步驟5與步驟6。

2.根據權利要求1所述基于CJS-SLLE降維的轉爐煉鋼終點碳溫預測方法，其特征在于，所述S4.1具體包括以下步驟：

S1、將用于度量兩個隨機變量概率分布之間的差別(或相似度)的JS散度作為相似性度量中的距離度量準則，衡量樣本間距離相近程度；

S2、提取轉爐煉鋼終點碳含量或溫度標簽值為B＝[b₁,b₂,…,b_n]，將碳含量和溫度標簽值統一量化為標簽信息k_i；

其中，b_i為樣本x_i對應的碳溫標簽值，

c為樣本標簽值的小數位數，

k_i為樣本對應的量化后標簽信息；

S3、在JS散度距離度量中引入碳溫標簽信息從而重構度量函數；

S4、利用余弦相似度與引入樣本碳溫標簽信息的JS散度相似性度量準則，構建融合距離、標簽和方向信息的CJS相似性度量策略，算法如下；

D_CJS(P,Q)相似度值越大，代表樣本間相似度越高。

3.根據權利要求1所述基于CJS-SLLE降維的轉爐煉鋼終點碳溫預測方法，其特征在于，所述S4.2具體包括以下步驟：

S1、尋找k近鄰點：采用CJS相似性度量策略計算原始訓練數據中樣本點與其他樣本點的相似度，選擇與當前樣本相似度最大的前k個樣本點作為該樣本點的近鄰點；

S2、線性重構：通過k近鄰點以權值的方式線性表示樣本點xi，然后最小化誤差函數計算其局部重構權值系數；

約束條件為其中Q_i為x_i的k近鄰下標集合；

S3、計算低維嵌入坐標：局部線性嵌入算法高維空間和低維空間下的權值系數是保持不變的，因此最小化低維空間下的誤差函數得到訓練樣本低維特征坐標Y＝[y₁,y₂,…,y_n],Y∈R^d×n；

將w_ij構造為權值矩陣W＝[w_ij]_n×n，定義一個稀疏、對稱的半正定矩陣M＝(I-W)^T(I-W)，得到目標函數如下：

即約束條件為YY^T＝I。根據Lagrange乘子法計算，得到即求得M的特征向量等價于得到低維嵌入坐標Y；經過特征值分解計算得到M矩陣前d個最小非零特征值所對應的特征向量構成的矩陣就是X的低維空間坐標矩陣Y。

4.根據權利要求1所述基于CJS-SLLE降維的轉爐煉鋼終點碳溫預測方法，其特征在于，所述S4.3具體包括以下步驟：

S1、通過不包含標簽信息的CJS相似性度量策略計算待測樣本x_newi與原始高維訓練樣本中所有樣本x_i的相似度Si_i，對Si_i從大到小進行排序，通過自定義設定閾值確定與當前待測樣本相似度最接近的樣本點，得到待測樣本近鄰訓練樣本高維與低維坐標X_l＝[x₁,x₂,…,x_l]，X_l∈R^D×l、Y_l＝[y₁,y₂,…,y_l]，Y_l∈R^d×l；選取前n個與原始高維訓練樣本最大相似度Si_k的均值作為選取l個相似樣本的閾值，確定相似樣本的個數，n＝30；

S2、尋找待測樣本相應近鄰點高維數據與低維數據間映射矩陣A＝[a₁,a₂,…,a_d]^T，使其滿足映射關系Y_l＝AX_l；

a_j＝(XX^T+βI)^-1Xyⁱ

其中1≤j≤d，

代表y_i的第j個元素，

β0是正則化參數，

I表示D×D的單位矩陣，由噪聲量值δ²確定β值，

γ_i代表XX^T的從小到大排序的非零特征值；

S3、根據待測樣本特定的映射矩陣A，計算待測樣本x_newi相應的低維嵌入坐標y_newi；

Y_new＝AX_new。