English
Data-driven prediction model for adjusting burden distribution matrix of blast furnace based on improved multilayer extreme learning machine
文件大小：
1465k
资源说明：Data-driven prediction model for adjusting burden distribution matrix of blast furnace based on improved multilayer extreme learning machine
本篇研究论文标题为《基于改进多层极端学习机的数据驱动预测模型，用于调整高炉负荷分布矩阵》（Data-driven prediction model for adjusting burden distribution matrix of blast furnace based on improved multilayer extreme learning machine），由Xiaoli Su、Sen Zhang、Yixin Yin、Yanan Liu和Wendong Xiao共同撰写，发表于《SoftComputing》2018年版，文章编号为22:3575–3589。该论文研究了如何构建一个基于改进多层极端学习机算法（ML-ELM）的数据驱动预测模型，以提高高炉负荷分布矩阵的调整效果。
在这篇论文中，作者首先强调了高炉负荷分布矩阵的重要性，合理的负荷分布矩阵对于实现高炉低消耗、高效率、高质量和长期运行寿命至关重要。在这一背景下，研究团队提出了一种新的数据驱动预测模型，旨在通过改进的多层极端学习机（ML-ELM）算法对高炉负荷分布矩阵进行调整。
改进的ML-ELM算法是基于作者之前改进的算法，称为偏最小二乘法（Partial Least Squares, PLS）多层极端学习机（PLS-ML-ELM），并通过集成模型进行优化，故称其为EPLS-ML-ELM算法。PLS-ML-ELM算法利用偏最小二乘法对ML-ELM算法最后一层隐藏层输出矩阵的代数特性进行改进。然而，PLS-ML-ELM算法在不同模拟实验中可能会产生不同的结果。集成模型能够解决这个问题，并且能够提高泛化性能。因此，EPLS-ML-ELM算法由多个PLS-ML-ELM算法构成。
研究论文中用实际的高炉数据对所提出的基于EPLS-ML-ELM算法的数据驱动预测模型进行了测试。与基于支持向量机（SVM）算法、ELM算法、ML-ELM算法和PLS-ML-ELM算法的其他预测模型相比，基于EPLS-ML-ELM算法的数据驱动预测模型显示出更佳的预测准确性和泛化性能。
关键词包括：极端学习机、多层极端学习机、高炉、负荷分布矩阵、集成模型、数据驱动预测模型。
此外，论文还介绍了高炉作为炼铁过程的关键步骤，以及其对钢铁企业平稳运行的重要性。炼铁过程是一个多变量且非线性的工业过程，具有众多化学反应，这些都要求对高炉的操作进行精细的控制。
根据论文的描述，钢铁企业的高炉是炼铁过程中不可缺少的一步，它能否平稳运行对于钢铁公司至关重要。负荷分布矩阵是高炉操作中的一个重要因素，能够帮助操作人员更好地管理高炉的作业。为了优化高炉运行，作者提出了一种以数据为基础的预测模型，用来调整负荷分布矩阵。
总结而言，该论文提出了一种新的方法，即通过机器学习算法对高炉的操作进行预测和优化。在机器学习众多算法中，极端学习机（ELM）是一种被广泛研究和应用的算法，它在许多情况下能够提供比传统神经网络更快的训练速度和更好的泛化能力。该研究进一步将多层结构引入ELM，同时运用偏最小二乘法（PLS）进行改进，最后通过集成学习方法整合多个模型，以提高模型的稳定性和预测性能。
这种方法的提出及应用，不仅能够提高高炉的操作效率和生产质量，而且还能够为其他工业生产过程中的优化问题提供参考，具有广泛的工程应用价值。此外，随着人工智能技术的不断发展，类似的数据驱动预测模型将会在工业生产中扮演越来越重要的角色。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
