基于ARMAX-LSTM模型的高爐鐵水質(zhì)量預(yù)報(bào)研究
【文章頁(yè)數(shù)】:72 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
圖1-1煉鐵流程??Figure?1-1?Process?of?Ironmaking??
的鐵水被送到轉(zhuǎn)爐吹氧得到鋼水。鋼水經(jīng)過鑄鋼得到鋼坯,鋼坯經(jīng)過軋鋼得到最??終的鋼件。??鋼鐵制造整個(gè)產(chǎn)業(yè)鏈中最為關(guān)鍵的環(huán)節(jié)就是高爐煉鐵。圖1-1[1]中展示的就??是高爐煉鐵的流程。焦炭和礦石通過傳送皮帶被傳送到爐頂進(jìn)行裝料,高爐下部??有熱風(fēng)鼓風(fēng)及噴吹煤粉,高爐內(nèi)部進(jìn)行鐵的還原....
圖3-丨前憒神經(jīng)冋絡(luò)??Figure?3-1?Feed-ForwarNeural?Network??
3.2.1前饋神經(jīng)網(wǎng)絡(luò)??基本的前饋神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層三層構(gòu)成,基本結(jié)構(gòu)可以表??示為圖3-1。其中隱含層可以是由多層構(gòu)成,層與層之間通過激活函數(shù)進(jìn)行連接,??所有的參數(shù)一層層向上傳遞『3G1。??圖3-丨前憒神經(jīng)冋絡(luò)??Figure?3-1?Feed-Forwar....
圖3-3長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)??Figure?3-3?Long?Short-Term?Memory?Neural?Network??
3.2.3長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)??針對(duì)RNN的長(zhǎng)期依賴問題,Schmidhuber提出了長(zhǎng)短期記憶網(wǎng)絡(luò)模型(Long??Short-Term?Memory,?LSTM)。LSTM模型則是將RNN的隱含層改為圖3-3所示??的存儲(chǔ)單元,使得時(shí)間步間的連接并非靜態(tài)權(quán)值,而是通過門控單元....
圖4-7?ARMAX-LSTM模型預(yù)測(cè)鐵水質(zhì)量結(jié)果??Figure?4-7?ARMAX-LSTM?Model?Prediction?Results?ot?MI〇??
WARMAX-LSTM?0.0709?0.88?0.0110?0.0044?0.0043??為了進(jìn)?步說明模型融合的合理性,對(duì)比數(shù)倨到達(dá)WARMAX模型(Step-1)??與LSTM模型(Stq>2)時(shí)分別獲得的殘差,見圖4-8,可以看到使用WARMAX??得到的殘差進(jìn)行頂測(cè),能....
本文編號(hào):3923448
本文鏈接:http://www.sikaile.net/projectlw/yjlw/3923448.html