[发明专利]一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法

权利要求书

1.一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，包括以下步骤：

步骤1、多源信息的预处理；

步骤2、特征提取；

步骤3、烧结机尾参考FeO值的获取；

步骤4、利用LSTM网络进行烧结矿FeO含量的预测。

2.如权利要求1所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述多源信息包括图像信息，振动信息、温度信息。

3.如权利要求1所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤1包括以下步骤：

步骤1.1、图像信息的预处理；

步骤1.2、通过异常值剔除进行参数信息的筛选。

4.如权利要求3所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤1.1图像信息的预处理包括图像去雾、图像增强、图像去噪处理、图像轮廓提取。

5.如权利要求1所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1、图像特征的提取；

步骤2.2、通过相关性分析进行参数的选择。

6.如权利要求5所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤2.1包括以下步骤：

步骤2.1.1、断面图像平均亮度提取；

步骤2.1.2、断面图像平均厚度提取；

步骤2.1.3、断面图像孔隙部分的平均亮度提取；

步骤2.1.4、断面图像孔隙部分的平均孔隙大小提取。

7.如权利要求1所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤4包括以下步骤：

步骤4.1、建立训练集和测试集；

步骤4.2、模型训练；

步骤4.3、FeO值的预测；

步骤4.4、算法验证。

8.如权利要求7所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤4.2将训练集数据输入到LSTM网络中，利用训练集中的参考FeO值作为目标输出，进行模型的训练。

9.如权利要求7所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤4.3输入测试集数据，进行FeO值的预测。

10.如权利要求7所述的多源信息和长短时记忆网络的烧结矿FeO含量预测方法，其特征在于，所述步骤4.4将预测的FeO值与测试集的参考FeO值进行对比，验证算法的有效性。