[发明专利]一种基于宽度学习的高炉风口回旋区温度软测量建模方法

权利要求书

1.一种基于宽度学习的高炉风口回旋区温度软测量建模方法，其特征在于，包括如下步骤：

步骤1：获取高炉运行当中的物理变量数据，所述的物理变量包括：热风温度、热风压力、冷风流量、炉顶压力、氧量、煤气利用率以及在风口小镜测量的风口回旋区温度数值；

步骤2：对数据进行滤波处理进而消除噪声的影响，之后对采集到的样本点进行数据划分，数据被划分为训练数据集以及测试数据集，其中，训练数据集更加细致地划分成优化训练集和优化验证集；

步骤3：初始化灰狼优化算法的相关参数，设置狼群个数、迭代次数以及需要优化的参数个数和参数各自对应的寻优范围；

步骤4：将宽度学习的均方根误差作为适应度函数；

步骤5：将优化训练集和优化验证集作为输入后对宽度学习模型进行训练，得到对应的适应度函数数值，并使用灰狼优化算法对宽度学习中特征层神经元个数、增强层神经元个数以及正则化参数进行优化调节；

步骤6：使用优化更新之后的参数继续对宽度学习模型进行训练，直到满足迭代要求之后将最终的特征层神经元个数、增强层神经元个数以及正则化参数输出，在这一阶段优化的过程中，为了保证算法具有良好的学习性能和泛化性能，各神经元之间的权值以及各神经元偏置均是随机产生的；

步骤7：将最终的特征层神经元个数、增强层神经元个数以及正则化参数作为第二阶段优化的宽度学习模型的初始参数；

步骤8：在确定特征层神经元个数、增强层神经元个数以及正则化参数之后，接下来是使用模拟退火算法进行神经元之间的权值和神经元偏置的固定；设置的参数有模拟退火算法的初始温度、终止温度、温度变化系数以及同一温度下的迭代次数；

步骤9：将经过模拟退火算法固定好的神经元之间的权值和神经元偏置参数赋值给宽度学习模型；

步骤10：在所有参数均优化确定之后，将上述步骤2中的训练数据集以及测试数据集作为输入，使用优化之后的宽度学习模型进行温度预测计算。

2.根据权利要求1所述的一种基于宽度学习的高炉风口回旋区温度软测量建模方法，其特征在于，所述步骤5中，为了避免最后的参数寻优到边界的情况出现，在迭代过程中，当发现参数取到边界值周围的时候，算法自动将参数重置为参数区间的中间值并保证为整数。

3.根据权利要求1所述的一种基于宽度学习的高炉风口回旋区温度软测量建模方法，其特征在于，所述的步骤5中，使用的宽度学习方法，具体如下：

Z_i＝φ(XW_ei+β_ei),i＝1,...,n

其中Z_i是第i组特征节点数值，X是输入数据，W_ei是输入层神经元与特征层神经元之间的随机权值，β_ei是特征层神经元的随机偏置，φ为激活函数；

将各组特征矩阵连接起来，可表示为：

Z＝[Z₁,...,Z_n]

基于以上特征节点可以继续计算增强节点的数值：

H_j＝ζ(ZW_hj+β_hj),j＝1,...,m

其中H_j是第j组增强节点数值，W_hj是特征层神经元与增强层神经元之间的随机权值，β_hj是增强层神经元的随机偏置，ζ为激活函数；

将各组增强矩阵连接起来，可表示为：

H＝[H₁,...,H_m]

宽度学习最终的输出是：

Y＝[Z,H]W＝AW

其中W可由以下公式求解：

W＝(λI+A^TA)^-1A^TY

其中，W是宽度学习模型的权值参数，λ是正则化参数，I是单位矩阵，A是特征节点数据和增强节点数据的组合矩阵，Y是样本输出。