[发明专利]基于宽度学习的烧结矿质量预测方法

权利要求书

1.一种基于宽度学习的烧结矿质量预测方法，其特征在于，包括以下步骤：

S1、数据预处理

获取烧结矿生产中的历史数据，去除所述历史数据中的大噪声和重复性数据；并对数据进行归一化处理，得到预处理后的数据；

S2、确定输入参数

对步骤S1得到的所述预处理后的数据和预测指标进行关联性分析，并筛选出与所述预测指标相关度高的m个因素作为输入参数；

S3、建立烧结矿质量预测模型

S31、对宽度学习神经网络进行改进，以减少神经网络的过拟合；

S32、超参数初始化设置，设置增强节点或特征节点的组数，并设置每组的节点数；将与预测指标相关度高的因素的数据作为输入参数，输入至所述宽度学习神经网络进行训练，输出参数为所述预测指标的相关数据；

S33、利用矩阵伪逆的方式求得所述宽度学习神经网络的最优偏置和权值；用测试集进行测试，计算准确率，并与预设的期望准确值进行比较；其大于预设的期望值时，即得到最优宽度学习的模型；其小于预设期望值时，则增加神经网络的宽度，并通过岭回归算法利用前次模型的计算结果重新计算伪逆矩阵，直至得到最优的基于宽度学习的烧结矿质量预测模型；

S4、烧结矿性能预测

将待检测的数据进行归一化处理，输入所述烧结矿质量预测模型，输出参数经过反归一化，得到预测结果。

2.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，该方法还可以通过增量学习的方式来添加新增数据，在历史数据的模型基础上利用所述岭回归算法进行训练，以对所述烧结矿质量预测模型进行更新。

3.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，在步骤S33中，增加神经网络的宽度的方法包括增加特征节点的组数、增加增强节点的组数或同时增加特征节点和增点节点的组数。

4.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，在步骤S33中，利用矩阵伪逆的方式求得所述宽度学习神经网络的最优偏置和权值的方法，包括以下步骤：

S1、通过稀疏自编码器设置输入参数到映射节点的权值和偏置，并随机生成特征节点到增强节点的权值和偏置；

S2、将特征节点和增强节点按矩阵的列进行矩阵拼接得到矩阵H，计算所述矩阵H的伪逆矩阵T；

S3、将所述伪逆矩阵T与数据的标签相乘，即得输出节点最优的偏置和权值。

5.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，在步骤S2中，筛选出与所述预测指标相关度高的因素的标准为将不同因素的关联度进行由大到小排列后，选取序列前m个关联度表征的因素作为与所述预测指标相关度高的因素，其中m的个数按用户需求设置。

6.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，在步骤S31中，对所述宽度学习神经网络进行改进的方法包括随机添加dropout层的算法，对所述宽度学习神经网络的中间层和输入层的节点进行随机失活。

7.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，在步骤S2中，所述关联性分析的方法为灰色关联度分析法或主成分分析算法。

8.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，在步骤S1中，所述归一化处理的公式包括min-max标准化公式或Z-score标准化公式。

9.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，在步骤S32中，所述增强节点或特征节点的组数和每组的节点数根据用户需求设置。

10.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法，其特征在于，所述烧结矿质量预测模型还可用于冶金生产其他领域，包括球团矿或焦炭的性能指标预测。