一种基于PSO-ELM算法的烧结矿质量预测方法、装置及设备与流程

一种基于pso
‑
elm算法的烧结矿质量预测方法、装置及设备
技术领域
1.本发明涉及高炉炼铁技术领域，尤其涉及一种基于pso
‑
elm算法的烧结矿质量预测方法、装置及设备。


背景技术：

2.高炉炼铁中烧结矿的生产是其关键工艺之一，烧结过程是将粉状铁矿石、烧结燃料、烧结熔剂和烧结过程循环利用物按照一定的成分均匀混合，加水搅拌并点火燃烧，使原料在不完全熔化的状态下烧结成块的过程。由于烧结矿占高炉入炉原料的70％以上，因此烧结矿的质量直接关系到以后炼铁和炼钢产品质量。
3.现有技术中，由于烧结矿的质量指标参数与其原料参数之间关系密切，因此钢铁厂一般根据烧结配料方案进行烧结杯实验，通过烧结杯实验得到烧结矿的质量指标参数，而后对烧结配料方案进行调整，从而保证烧结配料方案合理。但是，烧结杯实验的周期往往较长，而且耗材多、费用高，导致增加额外的生产成本。
4.因此，如何对烧结矿的质量进行准确预测，提高工作效率，降低生产成本，是本领域技术人员需要解决的技术问题。
5.公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。


技术实现要素：

6.本发明的目的是：提供一种基于pso
‑
elm算法的烧结矿质量预测方法、装置、设备及计算机可读存储介质，能够对烧结矿的质量进行准确预测，提高工作效率，降低生产成本。
7.为了达到上述目的，本发明一方面提供一种基于pso
‑
elm算法的烧结矿质量预测方法，包括：
8.构建经典烧结矿样本数据库；其中，所述经典烧结矿样本数据库中的每组样本数据均包括烧结矿的化学成分数据、烧损数据和对应的烧结矿的质量数据；
9.随机将所述经典烧结矿样本数据库中的样本数据分成训练集和测试集；
10.建立极限学习机神经网络模型，并利用所述训练集通过粒子群优化算法得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量，根据所述最优权重矩阵和所述最优偏置向量得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型；
11.利用所述测试集对所述烧结矿质量预测模型的精度进行验证，并判断所述烧结矿质量预测模型的精度是否满足要求；
12.若精度不满足要求，则对所述烧结矿质量预测模型进行数据自适应重构，直至精度满足要求后输出最优烧结矿质量预测模型；若满足要求，则直接输出最优烧结矿质量预测模型；
13.通过所述最优烧结矿质量预测模型对待检测的烧结矿进行质量预测。
14.优选地，所述烧结矿的化学成分数据包括铁料配比、全铁含量、二氧化硅含量、水分含量和粒度，所述烧结矿的质量数据包括同化性、品味、碱度和转鼓强度。
15.优选地，所述随机将所述经典烧结矿样本数据库中的样本数据分成训练集和测试集，包括：
16.随机将所述经典烧结矿样本数据库中的70％样本数据作为训练集，30％样本数据作为测试集。
17.优选地，所述建立极限学习机神经网络模型，并利用所述训练集通过粒子群优化算法得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量，根据所述最优权重矩阵和所述最优偏置向量得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型，包括：
18.建立极限学习机神经网络模型，并将所述极限学习机神经网络模型的输入层节点个数设置为所述烧结矿的化学成分数据、烧损数据的总类别数，将所述极限学习机神经网络模型的输出层节点个数设置为1；
19.将所述训练集中的烧结矿的化学成分数据、烧损数据作为输入数据，将所述训练集中的烧结矿的质量数据作为输出数据；
20.通过粒子群优化算法得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量；
21.将所述最优权重矩阵设置为所述极限学习机神经网络模型的权重矩阵，将所述最优偏置向量设置为所述极限学习机神经网络模型的偏置向量，得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型。
22.优选地，所述通过粒子群优化算法得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量，包括：
23.通过粒子群优化算法计算每个粒子的适应度值，确定每个粒子的个体极值和所有粒子的群体极值；
24.将粒子的迭代次数加一，并通过粒子群优化算法对粒子的位置和速度进行更新；
25.再次计算每个粒子的适应度值，并更新每个粒子的个体极值和所有粒子的群体极值；
26.根据预设迭代终止条件，当迭代次数达到最大迭代次数时输出所有粒子的群体极值所对应的位置，得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量。
27.优选地，在每一轮迭代中，获取惯性权重的公式为：
28.ω(k)＝ω
start
‑
(ω
start
‑
ω
end
)
·
k/t
max
；
29.式中，ω(k)代表每次迭代的惯性权重，ω
start
＝0.9代表初始惯性权重，ω
end
＝0.4代表最终惯性权重，k代表当前迭代次数，t
max
代表最大迭代次数；
30.在每一轮迭代中，更新每个粒子的个体极值和所有粒子的群体极值的公式为：
[0031][0032]
[0033]
式中，p
ib
代表粒子的个体极值，p
g
代表粒子的群体极值，p
i
代表第i个粒子的位置， f(
·
)代表粒子的适应度函数。
[0034]
优选地，所述极限学习机神经网络模型采用sigmoid函数作为激活函数。
[0035]
本发明另一方面提供一种基于pso
‑
elm算法的烧结矿质量预测装置，包括：
[0036]
数据库构建模块，用于构建经典烧结矿样本数据库；其中，所述经典烧结矿样本数据库中的每组样本数据均包括烧结矿的化学成分数据、烧损数据和对应的烧结矿的质量数据；
[0037]
数据分集模块，用于随机将所述经典烧结矿样本数据库中的样本数据分成训练集和测试集；
[0038]
模型训练模块，用于建立极限学习机神经网络模型，并利用所述训练集通过粒子群优化算法得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量，根据所述最优权重矩阵和所述最优偏置向量得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型；
[0039]
模型测试模块，用于利用所述测试集对所述烧结矿质量预测模型的精度进行验证，并判断所述烧结矿质量预测模型的精度是否满足要求；
[0040]
自适应重构模块，用于若精度不满足要求，则对所述烧结矿质量预测模型进行数据自适应重构，直至精度满足要求后输出最优烧结矿质量预测模型；若满足要求，则直接输出最优烧结矿质量预测模型；
[0041]
质量预测模块，用于通过所述最优烧结矿质量预测模型对待检测的烧结矿进行质量预测。
[0042]
本发明又一方面提供一种基于pso
‑
elm算法的烧结矿质量预测设备，包括：
[0043]
存储器，用于存储计算机程序；
[0044]
处理器，用于执行所述计算机程序时实现如上述任意一种所述的基于pso
‑
elm算法的烧结矿质量预测方法的步骤。
[0045]
本发明又一方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一种所述的基于 pso
‑
elm算法的烧结矿质量预测方法的步骤。
[0046]
本发明至少具有以下有益效果：
[0047]
本发明利用经典烧结矿样本数据库对极限学习机神经网络模型进行训练，并采用粒子群优化算法对极限学习机神经网络模型的权重矩阵和偏置向量进行全局优化，得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型，进一步在训练迭代时验证烧结矿质量预测模型的精度，在精度不满足要求时进行自适应重构，最终得到最优烧结矿质量预测模型，以便对待检测的烧结矿进行质量预测，与现有技术相比，能够对烧结矿的质量进行准确预测，提高工作效率，降低生产成本。
附图说明
[0048]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，
还可以根据这些附图获得其他的附图。
[0049]
图1为本发明实施例中基于pso
‑
elm算法的烧结矿质量预测方法的流程示意图；
[0050]
图2为本发明实施例中粒子群优化算法的流程示意图；
[0051]
图3为本发明实施例中基于pso
‑
elm算法的烧结矿质量预测装置的结构示意图；
[0052]
图4为本发明实施例中基于pso
‑
elm算法的烧结矿质量预测设备的结构示意图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0054]
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
[0055]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0056]
请参阅图1，本发明实施例一方面提供一种基于pso
‑
elm算法的烧结矿质量预测方法，包括：
[0057]
s110、构建经典烧结矿样本数据库；其中，经典烧结矿样本数据库中的每组样本数据均包括烧结矿的化学成分数据、烧损数据和对应的烧结矿的质量数据。
[0058]
本发明实施例中，原料烧结减重量与原料烧结前质量的比值称为原料的烧损率，根据长期的烧结实验和烧结生产表明，原料在烧结前后质量变化呈现一定的规律，因此通过烧损率可以建立起原料与烧结矿化学成分之间的关系。钢铁厂可以获取大量的烧结矿样品，得到烧结矿样品的质量数据，并对烧结矿样品进行化学成分测试得到对应的烧结矿样品的化学成分数据，同时记录烧结过程中的烧损数据，建立起经典烧结矿样本数据库。
[0059]
s120、随机将经典烧结矿样本数据库中的样本数据分成训练集和测试集。
[0060]
本发明实施例中，在经典烧结矿样本数据库中，随机抽取一定量的样本数据作为训练集使用，余下的样本数据作为测试集使用。
[0061]
s130、建立极限学习机神经网络模型，并利用训练集通过粒子群优化算法得到极限学习机神经网络模型的最优权重矩阵和最优偏置向量，根据最优权重矩阵和最优偏置向量得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型。
[0062]
本发明实施例中，先建立初始的极限学习机神经网络模型，然后利用训练集中的样本数据通过粒子群优化算法对初始的极限学习机神经网络模型进行训练，满足迭代终止条件时，输出极限学习机神经网络模型的最优权重矩阵和最优偏置向量，进而得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型。
[0063]
其中，elm(英文全称：extreme learning machine，中文全称：极限学习机)神经网络模型是一类基于前馈神经网络构建的机器学习系统，适用于监督学习和非监督学习问题。传统的bp(英文全称：back propagation，中文全称：反向传播)神经网络主要是基于梯
度下降算法，该方法通常会由于运行不当或者陷入局部极小而变得非常缓慢。而elm神经网络的特点是随机生成隐含层节点参数，训练模型速度快，并具有更好的泛化性能。通常在elm神经网络中，权值矩阵和偏置向量是随机给定的，这将导致elm 神经网络的部分权值和偏差不能达到最优，所以每一次输出的结果差异比较大。
[0064]
而pso(英文全称：particle swarm optimization，中文全称：粒子群优化)算法是一种全局优化算法。使用pso算法来对elm神经网络的权重矩阵、偏置向量进行全局优化，可以得到具有最优权重矩阵、最优偏置向量的基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型。
[0065]
s140、利用测试集对烧结矿质量预测模型的精度进行验证，并判断烧结矿质量预测模型的精度是否满足要求。
[0066]
本发明实施例中，在得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型之后，利用测试集对烧结矿质量预测模型的精度进行验证，判断该烧结矿质量预测模型的精度是否满足要求。
[0067]
s150、若精度不满足要求，则对烧结矿质量预测模型进行数据自适应重构，直至精度满足要求后输出最优烧结矿质量预测模型；若满足要求，则直接输出最优烧结矿质量预测模型。
[0068]
本发明实施例中，如果该烧结矿质量预测模型的精度不满足要求，如低于98％，则对该烧结矿质量预测模型使用自适应重构训练的方法，继续对该烧结矿质量预测模型进行训练，直至精度满足要求后输出最优烧结矿质量预测模型。其中，自适应重构训练的方法是在每次训练迭代时计算测试集各故障类型在模型上的分类错误率，错误率高的故障类型在下一轮迭代训练中使用更多的训练样本，这样可以使模型对分类错误率较高的故障类型进行更多次的特征学习。这个过程实际是根据测试集在训练过程中各故障类型分类错误率自适应地对各故障类型的训练数据分布进行重构，调整训练数据中各类别故障类型的训练数据量，调整比例为错误率的比值。
[0069]
s160、通过最优烧结矿质量预测模型对待检测的烧结矿进行质量预测。
[0070]
本发明实施例中，得到输出最优烧结矿质量预测模型之后，将待检测的烧结矿的化学成分数据、烧损数据输入到最优烧结矿质量预测模型中，即可得到待检测的烧结矿的质量数据预测结果。
[0071]
以上可知，本发明实施例提供的基于pso
‑
elm算法的烧结矿质量预测方法，利用经典烧结矿样本数据库对极限学习机神经网络模型进行训练，并采用粒子群优化算法对极限学习机神经网络模型的权重矩阵和偏置向量进行全局优化，得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型，进一步在训练迭代时验证烧结矿质量预测模型的精度，在精度不满足要求时进行自适应重构，最终得到最优烧结矿质量预测模型，以便对待检测的烧结矿进行质量预测，与现有技术相比，能够对烧结矿的质量进行准确预测，提高工作效率，降低生产成本。
[0072]
具体的，上述实施例中，烧结矿的化学成分数据包括铁料配比、全铁含量、二氧化硅含量、水分含量和粒度，烧结矿的质量数据包括同化性、品味、碱度和转鼓强度。
[0073]
本发明实施例中，以邯邢精粉、巴特、巴粗、赤铁矿、褐铁矿、澳粉、杨迪、南非粉组成的混合矿为例，获取100个烧结矿样品，对烧结矿样品进行多次化学成分测试，而后将多
次测试的结果进行算术平均，得到烧结矿的铁料配比、全铁含量、二氧化硅含量、水分含量和粒度等化学成分数据，并测定对应的烧结矿的同化性、品味、碱度和转鼓强度。其中，烧结矿的同化性可以表征烧结矿在烧结过程中生成液相的难易程度，是烧结矿有效固结的基础；烧结矿的含铁品味(tfe)是烧结矿质量的核心，随着品位提高，可以使渣量降低，高炉炼铁的产量提高，燃料比降低；烧结矿的碱度(cao/sio2) 是烧结矿质量的基础，烧结矿的冶金性能均与其碱度直接相关；烧结矿的转鼓强度则反映了烧结矿耐冲击、耐挤压、耐磨的能力(物理性能)。
[0074]
具体的，上述实施例中，步骤s120包括：
[0075]
随机将经典烧结矿样本数据库中的70％样本数据作为训练集，30％样本数据作为测试集。
[0076]
本发明实施例中，在包括100个烧结矿样品的经典烧结矿样本数据库中，随机抽取 70组样本数据作为训练集使用，其余30组样本数据作为测试集使用。
[0077]
请参阅图2，作为本发明优选的实施例，步骤s130包括：
[0078]
s131、建立极限学习机神经网络模型，并将极限学习机神经网络模型的输入层节点个数设置为烧结矿的化学成分数据、烧损数据的总类别数，将极限学习机神经网络模型的输出层节点个数设置为1。
[0079]
本发明实施例中，首先对elm神经网络和pso算法进行初始化，将elm神经网络的输入层节点个数设置为烧结矿的化学成分数据、烧损数据的总类别数(由于烧结矿的化学成分数据有5个特征：铁料配比、全铁含量、二氧化硅含量、水分含量和粒度，烧损数据有1个特征，即输入层节点个数设置为6)，elm神经网络的输出层节点个数设置为1。具体实施时，pso算法中粒子的最大迭代次数设置为50，粒子群数量设置为 30。
[0080]
具体实施时，elm神经网络有l个隐含层节点，有n个训练样本数据(x
i
,t
i
)。
[0081]
其中，x
i
＝[x
i1
x
i2
l x
in
]
t
∈r
n
，t
i
＝[t
i1
t
i2
l t
im
]
t
∈r
m
，则该神经网络的输出为：
[0082][0083]
式中，ω
i
＝[ω
i1
ω
i2
…
ω
in
]
t
代表连接第i个隐藏层节点与输入节点的输入权值，β
i
代表连接第i个隐藏层节点与输出节点的输出权值，b
i
代表第i个隐藏层节点的偏置，g(x) 代表隐含层神经元的输出，对于加法型隐藏节点，g(x)为：g(ω
i
,b
i
,x
j
)＝g(ω
i
·
x
j
b
i
)。让神经网络的实际输出和期望输出相等，还可以表示为：
[0084]
hβ＝t；
[0085][0086][0087]
式中，h为隐藏层输出矩阵，β为隐藏层输出权值矩阵，t为期望输出。
[0088]
随机选择输入权值和隐含层偏差值，训练这个网络结构相当于求解线性系统 hβ
＝t的最小二乘解
[0089]
minimize:||hβ
‑
t||；
[0090]
该线性系统最小二乘解的最小值是：
[0091][0092]
式中，h

是h的moore
‑
penrose广义逆矩阵，并且hβ＝t的最小二乘解的最小值是唯一的。
[0093]
采用线性递减的惯性权重，从而更有效地避免早熟收敛，对网络增加稳定性。
[0094]
s132、将训练集中的烧结矿的化学成分数据、烧损数据作为输入数据，将训练集中的烧结矿的质量数据作为输出数据。
[0095]
本发明实施例中，将训练集中的烧结矿的化学成分数据(即铁料配比、全铁含量、二氧化硅含量、水分含量和粒度)与烧损数据共同作为输入数据，将训练集中的烧结矿的质量数据(选择同化性、品味、碱度和转鼓强度中任意一种)作为输出数据。
[0096]
s133、通过粒子群优化算法得到极限学习机神经网络模型的最优权重矩阵和最优偏置向量。
[0097]
本发明实施例中，将elm神经网络和pso算法结合起来，可以对elm神经网络的权重矩阵和偏置向量进行全局优化，得到最优权重矩阵和最优偏置向量。
[0098]
s134、将最优权重矩阵设置为极限学习机神经网络模型的权重矩阵，将最优偏置向量设置为极限学习机神经网络模型的偏置向量，得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型。
[0099]
本发明实施例中，得到最优权重矩阵和最优偏置向量之后，将最优权重矩阵设置为 elm神经网络的权重矩阵，将最优偏置向量设置为elm神经网络的偏置向量，进而得到具有最优权重矩阵、最优偏置向量的基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型。
[0100]
进一步地，上述实施例中，步骤s133包括：
[0101]
s1331、通过粒子群优化算法计算每个粒子的适应度值，确定每个粒子的个体极值和所有粒子的群体极值。
[0102]
本发明实施例中，初始的每个粒子的个体极值就是它自身的适应度值，初始的所有粒子的群体极值就是所有粒子中适应度最佳的粒子所表示的适应度值。
[0103]
s1332、将粒子的迭代次数加一，并通过粒子群优化算法对粒子的位置和速度进行更新。
[0104]
s1333、再次计算每个粒子的适应度值，并更新每个粒子的个体极值和所有粒子的群体极值。
[0105]
本发明实施例中，每个粒子每次迭代时，均会更新一次位置和速度，并计算一次适应度值，然后比较本次迭代后的每个新粒子的适应度值和前次迭代确定的每个粒子各自的个体极值和所有粒子的群体极值的适应度值，如果经过本次迭代后的新粒子的适应度值优于前次迭代确定的该粒子的个体极值，则更新该粒子的个体极值，否则就不更新；如果经过本次迭代后存在一个粒子的适应度值优于前次迭代确定的所有粒子的群体极值，则更新该群体的群体极值，否则就不更新。
[0106]
s1334、根据预设迭代终止条件，当迭代次数达到最大迭代次数时输出所有粒子的群体极值所对应的位置，得到极限学习机神经网络模型的最优权重矩阵和最优偏置向量。
[0107]
本发明实施例中，重复上述步骤s1332和步骤s1332，直到迭代次数达到最大迭代次数时输出所有粒子的群体极值所对应的位置，所得到的所有粒子的群体极值所对应的位置即为elm神经网络的最优权重矩阵和最优偏置向量。
[0108]
进一步地，上述实施例中，在每一轮迭代中，获取惯性权重的公式为：
[0109]
ω(k)＝ω
start
‑
(ω
start
‑
ω
end
)
·
k/t
max
；
[0110]
式中，ω(k)代表每次迭代的惯性权重，ω
start
＝0.9代表初始惯性权重，ω
end
＝0.4代表最终惯性权重，k代表当前迭代次数，t
max
代表最大迭代次数；
[0111]
在每一轮迭代中，更新每个粒子的个体极值和所有粒子的群体极值的公式为：
[0112][0113][0114]
式中，p
ib
代表粒子的个体极值，p
g
代表粒子的群体极值，p
i
代表第i个粒子的位置， f(
·
)代表粒子的适应度函数。
[0115]
具体的，上述实施例中，极限学习机神经网络模型采用sigmoid函数作为激活函数。
[0116]
本发明实施例另一方面提供一种基于pso
‑
elm算法的烧结矿质量预测装置，下文描述的该装置可以与上文描述的方法相互对应参照。
[0117]
请参阅图3，该装置包括：
[0118]
数据库构建模块310，用于构建经典烧结矿样本数据库；其中，经典烧结矿样本数据库中的每组样本数据均包括烧结矿的化学成分数据、烧损数据和对应的烧结矿的质量数据；
[0119]
数据分集模块320，用于随机将经典烧结矿样本数据库中的样本数据分成训练集和测试集；
[0120]
模型训练模块330，用于建立极限学习机神经网络模型，并利用训练集通过粒子群优化算法得到极限学习机神经网络模型的最优权重矩阵和最优偏置向量，根据最优权重矩阵和最优偏置向量得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型；
[0121]
模型测试模块340，用于利用测试集对烧结矿质量预测模型的精度进行验证，并判断烧结矿质量预测模型的精度是否满足要求；
[0122]
自适应重构模块350，用于若精度不满足要求，则对烧结矿质量预测模型进行数据自适应重构，直至精度满足要求后输出最优烧结矿质量预测模型；若满足要求，则直接输出最优烧结矿质量预测模型；
[0123]
质量预测模块360，用于通过最优烧结矿质量预测模型对待检测的烧结矿进行质量预测。
[0124]
作为本发明优选的实施例，烧结矿的化学成分数据包括铁料配比、全铁含量、二氧
化硅含量、水分含量和粒度，烧结矿的质量数据包括同化性、品味、碱度和转鼓强度。
[0125]
作为本发明优选的实施例，数据分集模块320，具体用于随机将经典烧结矿样本数据库中的70％样本数据作为训练集，30％样本数据作为测试集。
[0126]
作为本发明优选的实施例，模型训练模块330具体包括：
[0127]
参数初始化单元，用于建立极限学习机神经网络模型，并将极限学习机神经网络模型的输入层节点个数设置为烧结矿的化学成分数据、烧损数据的总类别数，将极限学习机神经网络模型的输出层节点个数设置为1；
[0128]
输入输出设置单元，用于将训练集中的烧结矿的化学成分数据、烧损数据作为输入数据，将训练集中的烧结矿的质量数据作为输出数据；
[0129]
全局优化单元，用于通过粒子群优化算法得到极限学习机神经网络模型的最优权重矩阵和最优偏置向量；
[0130]
模型输出单元，用于将最优权重矩阵设置为极限学习机神经网络模型的权重矩阵，将最优偏置向量设置为极限学习机神经网络模型的偏置向量，得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型。
[0131]
作为本发明优选的实施例，全局优化单元具体包括：
[0132]
第一计算子单元，用于通过粒子群优化算法计算每个粒子的适应度值，确定每个粒子的个体极值和所有粒子的群体极值。
[0133]
迭代更新子单元，用于将粒子的迭代次数加一，并通过粒子群优化算法对粒子的位置和速度进行更新。
[0134]
第二计算子单元，用于再次计算每个粒子的适应度值，并更新每个粒子的个体极值和所有粒子的群体极值。
[0135]
结果输出子单元，用于根据预设迭代终止条件，当迭代次数达到最大迭代次数时输出所有粒子的群体极值所对应的位置，得到极限学习机神经网络模型的最优权重矩阵和最优偏置向量。
[0136]
作为本发明优选的实施例，在每一轮迭代中，获取惯性权重的公式为：
[0137]
ω(k)＝ω
start
‑
(ω
start
‑
ω
end
)
·
k/t
max
；
[0138]
式中，ω(k)代表每次迭代的惯性权重，ω
start
＝0.9代表初始惯性权重，ω
end
＝0.4代表最终惯性权重，k代表当前迭代次数，t
max
代表最大迭代次数；
[0139]
在每一轮迭代中，更新每个粒子的个体极值和所有粒子的群体极值的公式为：
[0140][0141][0142]
式中，p
ib
代表粒子的个体极值，p
g
代表粒子的群体极值，p
i
代表第i个粒子的位置， f(
·
)代表粒子的适应度函数。
[0143]
作为本发明优选的实施例，极限学习机神经网络模型采用sigmoid函数作为激活函数。
[0144]
以上可知，本发明实施例提供的基于pso
‑
elm算法的烧结矿质量预测装置，利用经
典烧结矿样本数据库对极限学习机神经网络模型进行训练，并采用粒子群优化算法对极限学习机神经网络模型的权重矩阵和偏置向量进行全局优化，得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型，进一步在训练迭代时验证烧结矿质量预测模型的精度，在精度不满足要求时进行自适应重构，最终得到最优烧结矿质量预测模型，以便对待检测的烧结矿进行质量预测，与现有技术相比，能够对烧结矿的质量进行准确预测，提高工作效率，降低生产成本。
[0145]
本发明实施例提供的一种基于pso
‑
elm算法的烧结矿质量预测装置中相关部分的说明请参见本发明实施例提供的一种基于pso
‑
elm算法的烧结矿质量预测方法中对应部分的详细说明，且均具有本发明实施例提供的一种基于pso
‑
elm算法的烧结矿质量预测方法具有的对应效果，在此不再赘述。
[0146]
上文中提到的基于pso
‑
elm算法的烧结矿质量预测装置是从功能模块的角度描述，进一步的，本发明实施例又一方面提供一种基于pso
‑
elm算法的烧结矿质量预测设备，是从硬件角度描述。
[0147]
请参阅图4，该设备包括：
[0148]
存储器410，用于存储计算机程序；
[0149]
处理器420，用于执行计算机程序时实现如上述任意实施例提供的基于pso
‑
elm 算法的烧结矿质量预测方法的步骤。
[0150]
其中，处理器420可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器420可以采用dsp(digital signal processing，数字信号处理)、fpga(field －programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器420也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器420可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器420还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0151]
存储器410可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器410还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器410至少用于存储以下计算机程序，其中，该计算机程序被处理器加载并执行之后，能够实现前述任一实施例公开的基于pso
‑
elm算法的烧结矿质量预测方法的相关步骤。另外，存储器410所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括windows、unix、linux等，数据可以包括但不限于测试结果对应的数据等。
[0152]
可以理解的是，如果上述任意实施例提供的基于pso
‑
elm算法的烧结矿质量预测方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例方法的全部或部分步骤。而前述的存储
介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0153]
有鉴于此，本发明实施例又一方面提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例提供的基于pso
‑
elm算法的烧结矿质量预测方法的步骤。
[0154]
本发明实施例提供的计算机可读存储介质的各功能模块的功能可根据上述任意方法实施例中的方法具体实现，其具体实现过程可以参照上述任意方法实施例的相关描述，此处不再赘述。
[0155]
本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。