[发明专利]一种基于多隐层极限学习机的热连轧轧制力预报方法

权利要求书

1.一种基于多隐层极限学习机预报热连轧轧制力的方法，其特征在于，包括以下步骤：

获取影响热连轧轧制力数值的影响因素数据；

将获取的影响因素数据输入多隐层极限学习机预测模型；

所述多隐层极限学习机预测模型根据输入的影响因素数据输出热连轧轧制力的预测数值。

2.如权利要求1所述的方法，其特征在于，将获取的影响因素数据输入多隐层极限学习机预测模型之前，所述方法还包括：

采用多组现有的热连轧轧制力综合数据、遗传算法和粒子群优化算法，建立基于多隐层极限学习机神经网络的多隐层极限学习机预测模型。

3.如权利要求2所述的方法，其特征在于，所述方法还包括如下子步骤：

获取多组现有的热连轧轧制力综合数据，其中，每组热连轧轧制力综合数据中包括n个热连轧轧制力影响因素，需要预报的热连轧轧制力结果有m个，m，n均为大于1的整数；

设置多隐层极限学习神经网络输入输出层的节点参数，其中，设置输入层的节点个数为n，设置多层极限学习机输出层的节点为m；

将所述热连轧轧制力影响因素作为所述多隐层极限学习机神经网络的输入数据，将所述需要预测的热连轧轧制力结果作为所述多隐层极限学习机神经网络的输出数据；

使用遗传算法确定多隐层极限学习机神经网络的最优隐含层数和最优隐含层结点数；

使用粒子群优化算法得到的所述多隐层极限学习机神经网络的最优权重矩阵和最优偏置向量；

将确定的最优隐含层数设定为所述多隐层极限学习机神经网络的隐含层数；

将确定的最优隐含层结点数设置为所述多隐层极限神经网络的隐含层结点数；

将得到的最优权重矩阵设置为所述多隐层极限学习机神经网络的权重矩阵；

将得到的最优偏置向量设置为所述多隐层极限学习机神经网络的偏置向量；

获得的多隐层极限学习机神经网络即为所述多隐层极限学习机预测模型。

4.如权利要求3所述的方法，其特征在于，

使用遗传算法得到所述多隐层极限学习机的最优隐含层层数和最优隐含层结点数时，先获得单隐层极限学习机在不同隐层结点下的最优权重矩阵和最优偏置向量，再采用二进制编码方式，根据不同隐含层数和不同隐含层结点数的组合，计算出预测误差，根据预测误差，选出最优隐含层数和最优隐含层结点数。

5.如权利要求3所述的方法，其特征在于，

在使用粒子群优化算法获得所述多隐层极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中，粒子每次更新之后，按照设定的概率重新初始化粒子。

6.如权利要求书3所述的方法，其特征在于，

所述多隐层极限学习机神经网络采用hyperbolic tangent函数作为激活函数。