[发明专利]基于层级实时记忆算法的连铸下渣智能预报系统

权利要求书

1.一种基于层级实时记忆算法的连铸下渣智能预报系统，其特征在于：该系统以仿生神经网络为基础，包括变量输入部分、序列预测部分、浇注状态评估部分、下渣预报部分，其中：

变量输入部分：根据连铸工艺分析，选用大包重量变化率、中间包重量变化率、平均拉速变化率三个有规律可循的主要特征变量作为输入变量；

序列预测部分：首先通过空间池化SP进程以连续在线方式将输入转换成稀疏离散表征SDR形式，然后通过序列记忆SM进行序列学习和预测，遵循Hebb规则，根据先前活跃神经元之间形成的连接以及远端突触的连通值，在SDR基础上转换成一种新的包含过去状态的SDR，从而对输入序列进行预测；

浇注状态评估部分：浇注状态评估是基于HTM模型预测的历史记录来判断当前浇注状态的概率度量，将误差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态；

下渣预报部分：在大量钢渣出现之前给出预报阈值，当浇注状态评估指标大于阈值并保持在阈值以上时，进行下渣预报；

浇注状态评估部分是基于HTM模型预测历史记录来判断当前浇注状态的概率度量，我们将残差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态， 将E_t作为浇注状态评估指标，计算公式如下：

其中样本均值为μ_t，方差为预测残差为R_t，历史记录时间为N ， E_t趋于0时，浇注状态为正常无渣状态；E_t趋于1时，浇注状态为大量钢渣下落状态。

2.根据权利要求1所述的基于层级实时记忆算法的连铸下渣智能预报系统，其特征在于：HTM-SP主要是对输入数据进行稀疏分布表征编码，包含三个阶段，第一个阶段是根据输入向量计算每个空间池区域的覆盖情况，定义函数为：

其中，b_i为每个SP列正向促进因子，z_j为二进制变量，表示第j个输入神经元的激活状态，w_ij为第j个输入到SP第i列神经突触的连接状态，d_ij为第j个输入到SP第i列的突触连通值，介于0和1之间的标量值，初始化时根据潜在突触在0和1之间的均匀分布恒等分布，θ_c为神经元突触的连通阈值；

相邻的SP列通过局部抑制机制相互抑制，我们将SP第i列的邻域定义为：

N_i＝{j|||y_i-y_j||＜φ，j≠i}

其中，||y_i-y_j||为SP第i列和第j列之间的欧氏距离，φ为抑制半径控制参数；

第二阶段是计算空间池各列的激活状态，定义函数为：

其中，s为目标激活密度(稀疏性)，Z为百分位函数，θ_stim为激活阈值；

第三阶段更新前馈树突连通值，计算公式如下：

其中，p⁺为连通值增强因子，p^-连通值惩罚因子，L^t-1为t-1时刻SP列的激活状态，表示矩阵点乘。