[发明专利]基于规则辅助的高炉冶炼过程数据驱动建模方法

权利要求书

1.一种基于规则辅助的高炉冶炼过程数据驱动建模方法，其特征在于，含有以下步骤：

(一)采集2000m³高炉冶炼过程实际数据，高炉实际采集数据具有时序特征，故在数据处理过程中保持数据先后顺序不变；采用如下数据处理方法对采样数据进行预处理，其中表示原始采集数据，表示第j个特征的平均值，表示第j个采集变量的标准差，将采集数据转换为无量纲数据，消除数据的数量级差异，将上述预处理后的数据转换为规则数据，其具体步骤为：

(1)收集并整理专家知识、利用决策树算法生成IF…THEN…规则：

；

(2)定义第k个样本点x_k的第ip个特征关于基本规则区间的隶属度为：

其中，

(3)定义合取算子∧及析取算子V计算and-型规则及or-型规则对样本点x_k的规则支持度为：

；

(4)利用规则支持度产生规则数据，规则数据表示为：

r_k＝(r₁(x_k)，…，r_m(x_k))∈[0 1]^m (6)；

(二)采用多核学习算法融合多源规则数据集，其具体步骤为：

(1)选择高斯RBF函数作为核函数，利用步骤(一)产生的p组规则数据集分别产生核矩阵K₁，…，K_p；

(2)利用面向LS-SVMs的多核学习算法对p组规则数据进行融合：

s.t.||μ||≤1,

μ_i≥0，i＝1，…，p+1,

其中嚨_i(α)＝α^TK_iα，i＝1，…，p+1，

求解上述融合的优化问题，得到LS-SVMs模型正则化参数ν＝μ_p+1及最优核矩阵系数μ_i(i＝1，…，p)，进而获得进行数据融合的规则核矩阵

(三)建立数据驱动预测模型，其具体步骤为：

利用LS-SVMs建立数据驱动模型为：

其中，w为分类超平面的法向量，b为分类超平面的截距项，e_i为误差项，v≥0为模型正则化参数，表示特征映射，通过指定核函数的方式隐式确定；

通过求解上述数据驱动模型的KKT系统

得到数据驱动预测模型为：

；

(四)建立规则预测模型，其具体步骤为：将步骤(二)中的得到LS-SVMs模型正则化参数ν以及规则核矩阵K_R代入LS-SVMs模型的KKT系统

求解公式(11)表示的KKT系统得到规则预测模型：

；

(五)采用Sigmoid函数拟合将步骤(四)中规则预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：

其中N₊/N_{_}分别为正/负类样本点个数；

得到Sigmoid函数的最优拟合参数A和B，进而将规则预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：

；

(六)通过后验概率集成数据驱动预测模型和规则预测模型，建立规则辅助的数据驱动模型，其具体步骤为：通过步骤(五)分别拟合出数据驱动预测模型和规则预测模型的Sigmoid函数的最优拟合参数，将数据驱动预测模型和规则预测模型的决策值转换为后验概率P_D和P_R，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型为：

。