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

技术特征：
1.一种基于pso
‑
elm算法的烧结矿质量预测方法，其特征在于，包括：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；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；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；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；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；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。2.根据权利要求1所述的基于pso
‑
elm算法的烧结矿质量预测方法，其特征在于，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。3.根据权利要求1所述的基于pso
‑
elm算法的烧结矿质量预测方法，其特征在于，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：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。4.根据权利要求1所述的基于pso
‑
elm算法的烧结矿质量预测方法，其特征在于，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：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；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；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；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。5.根据权利要求4所述的基于pso
‑
elm算法的烧结矿质量预测方法，其特征在于，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：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；
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；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；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。6.根据权利要求5所述的基于pso
‑
elm算法的烧结矿质量预测方法，其特征在于，在每一轮迭代中，获取惯性权重的公式为：ω(k)＝ω
start
‑
(ω
start
‑
ω
end
)
·
k/t
max
；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；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：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：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。7.根据权利要求6所述的基于pso
‑
elm算法的烧结矿质量预测方法，其特征在于，所述极限学习机神经网络模型采用sigmoid函数作为激活函数。8.一种基于pso
‑
elm算法的烧结矿质量预测装置，其特征在于，包括：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；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；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；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；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；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。9.一种基于pso
‑
elm算法的烧结矿质量预测设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的基于pso
‑
elm算法的烧结矿质量预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，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权利要求1至7任意一项所述的基于pso
‑
elm算法的烧结矿质量预测方法的步骤。

技术总结
本发明公开了一种基于PSO


技术研发人员：陈禹 肖春江 肖扬
受保护的技术使用者：江苏省镔鑫钢铁集团有限公司
技术研发日：2021.06.21
技术公布日：2021/11/4