[发明专利]基于深度置信网络的烧结矿化学成分预测方法

权利要求书

1.一种基于深度置信网络的烧结矿化学成分预测方法，其特征在于，在烧结原料配料完成后，得到混合料，根据混合料化学成分，采用基于深度置信网络即DBN算法的预测方法来预测烧结矿化学成分，以检验烧结配料过程中配比的准确性，及时调整配比，改进烧结矿质量；

该方法具体包括以下步骤：

S1：获取烧结厂实际生产的历史数据，对获取的数据进行预处理，剔除异常数据并进行归一化处理；

S2：确定影响烧结矿质量的输入输出参数，使用灰色关联分析法来检验输入参数的合理性；

S3：建立基于DBN的烧结矿化学成分预测模型，使用步骤S1中的数据对预测模型进行训练，优化预测模型；

S4：以步骤S3得到的预测模型来预测烧结矿化学成分，预测结束后得到的数据在[0,1]之间，再对这些得到的数据进行反归一化处理，得到烧结矿化学成分预测值。

2.根据权利要求1所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，所述步骤S1中：

获取烧结厂实际生产的历史数据包括混合料化学成分及其对应的烧结矿化学成分；异常数据包括两类，一类是由于系统通讯错误或者软件错误引起的异常采集数据；另一类是异常工况引起的异常数据；上述两类异常数据都要剔除；

对数据进行归一化处理，是将数据变换到[0,1]之间；DBN算法在使用softmax函数时，为避免网络工作在函数的平坦区域，将数据变换到[0.1,0.9]，运用以下公式：

式中，X′为归一化处理后各数据序列，X为归一化处理前各数据序列，X_max为数据序列中最大值，X_min为数据序列中最小值。

3.根据权利要求1所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，所述步骤S2中：

根据实际生产经验和查阅资料，选择直接影响烧结矿质量的化学成分，确定输入、输出参数；采用以下灰色关联分析公式来验证输入参数是否合理：

式中，r代表不同数据序列的关联度，其反映了两个数据序列的紧密程度，y(k)为参考数据序列，为比较数据序列，ρ为分辨系数，用来削弱参考数据序列与比较数据序列差异较大时的关联度失真影响；

序列y(k)和分别为原始参考数据序列x(k)和原始比较数据序列均值化处理后的数据序列，均值化处理可以消除数据序列中数据量纲的影响，均值化处理公式如下：

4.根据权利要求1所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，所述步骤S3中，建立基于DBN的烧结矿化学成分预测模型的方法如下：

首先确定DBN模型网络结构；通过反复调试获得DBN模型层数，采用3-6层RBM结构；

其次是设置DBN模型参数；模型参数包括隐层节点数、迭代次数、批量大小、学习效率、训练步数和激励函数，参数设计是综合考虑预测精度和训练时间的结果；

最后，利用步骤S1中的数据对DBN模型进行训练：先使用无监督贪婪算法预训练模型；然后再通过BP算法反向传播优化整个模型。

5.根据权利要求4所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，

步骤S3中，所述DBN模型网络结构，采用3层RBM结构。

6.根据权利要求5所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，

使用无监督贪婪算法预训练模型的方法如下：采用无监督贪婪算法充分训练第一层RBM得到权重w1，得到一个与输入数据类似分布的输出，这一过程即是特征提取；保持w1不变，将第一层RBM隐藏层输出作为第二层RBM可视层的输入，继续训练第二个RBM；重复此过程直至所有的RBM训练完成，得到权重w2和w3，确保在特征映射过程中特征向量映射到不同的特征空间时，尽可能多地保留特征信息；最后映射到输出层，输出层激励函数为softmax函数，通过和数据标签对比，随机初始化输出层权值w；经过上述预训练模型之后，得到了网络的初始权值w1，w2，w3，w。