一种基于PSO-ELM算法的混匀矿烧结基础特性预报方法与流程

本发明涉及计算机技术领域，尤其涉及一种基于pso-elm算法的混匀矿烧结基础特性预报方法。

背景技术：

铁矿石烧结基础特性是指铁矿石在烧结过程中所表现出的高温物理化学性能，它主要包括铁矿石的同化性能、液相流动性，粘结相强度性能和铁酸钙生成性能等。铁矿石烧结基础性能的提出有利于完善烧结理论、改善烧结矿质量和优化烧结工艺过程。传统的对铁矿石烧结基础特性预报的实验方法，所需时间长、耗材多、费用高。为了正确把握铁矿石在烧结过程中高温条件下的行为及其相互作用，实现烧结生产的合理配矿，为工艺参数的合理选择、优化提供理论依据，对铁矿石的烧结基础特性进行快速、准确的预报意义重大。

技术实现要素：

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于pso-elm算法的混匀矿烧结基础特性预报方法，具有效率高、成本低、且精度高的优点。

为解决上述技术问题，本发明所采取的技术方案是：一种基于pso-elm算法的混匀矿烧结基础特性预报方法，具体步骤如下:

步骤1：获取待检测的混匀矿样本数据，样本数据分为训练集和测试集，所述混匀矿样本数据包括混匀矿烧结基础特性、混匀矿烧结基础特性相对应的化学成分、烧损的铁矿粉数据，其中每组混匀矿样品的化学成分数据中包含n个特征；

步骤2：建立混匀矿烧结基础特性预报模型；利用训练集中的数据通过粒子群算法得到极限学习机神经网络的最优权重矩阵、最优偏置向量，从而得到混匀矿烧结基础特性预报模型；

步骤3：通过测试集的数据对混匀矿烧结基础特性预报模型进行验证。

所述步骤1中的基础特性包括同化温度、液相流动性指数和粘结相强度；

所述步骤2包括如下子步骤：

步骤2.1：设置粒子群算法优化的极限学习机神经网络的参数，其中，设置输入层的节点个数为n+1，设置输出层的节点为1；

步骤2.2：将训练集中的混匀矿的化学成分和烧损作为粒子群算法优化的极限学习机神经网络的输入数据；混匀矿的烧结基础特性数据作为粒子群算法优化的极限学习机神经网络的输出数据；

步骤2.3：使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量；并将得到的最优权重矩阵设置为混匀矿烧结基础特性预报模型的权重矩阵；将得到的最优偏置向量设置为混匀矿烧结基础特性预报模型的偏置向量；从而得到混匀矿烧结基础特性预报模型。

优选地，在使用粒子群算法得到所述粒子群算法优化的极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中，根据第一公式获取惯性权重ω(k)，所述第一公式为：

ω(k)＝ωstart-(ωstart-ωend)·k/tmax，其中，ωstart＝0.9，ωend＝0.4，k为当前迭代次数，tmax为最大迭代次数。

优选地，在每一轮迭代中，根据第二公式更新粒子的个体极值pib和群体极值pg，所述第二公式为：

其中，pi为第i个粒子的位置，f(·)为粒子的适应度函数。

所述极限学习机神经网络采用sigmoid函数作为激活函数。

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于pso-elm算法的混匀矿烧结基础特性预报方法，采用具有最优权重矩阵、最优偏置向量粒子群算法优化的极限学习机神经网络对混匀矿化学成分以及烧损进行处理，得到的混匀矿样品的烧结基础特性精度较高且该方法效率高、成本低。

附图说明

图1为本发明实施例提供的基于pso-elm算法的混匀矿烧结基础特性预报方法的流程图；

图2为本发明实施例提供的建立混匀矿烧结基础特性预报模型的示意图；

图3为本发明实施例提供的测试数据中的混匀矿烧结基础特性检测数据与混匀矿烧结基础特性实际数据的对比图；其中，(a)同化温度测试集输出；(b)液相流动性测试集输出；(c)粘结相强度测试集输出。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例公开了一种基于pso-elm的混匀矿烧结基础特性的预报方法，包括以下步骤：

步骤1：获取待检测的混匀矿样本数据，样本数据分为训练集和测试集，所述混匀矿样本数据包括混匀矿烧结基础特性、混匀矿烧结基础特性相对应的化学成分、烧损的铁矿粉数据，其中每组混匀矿样品的化学成分数据中包含n个特征；

所述步骤1中获取混匀矿样品的化学成分和烧损的步骤为：

对混匀矿样品进行多次化学成分测试，并将多次测试的化学成分数据进行算术平均后作为所述混匀矿样品的化学成分数据，其中，所述测试的化学成分数据中包含n个特征。

步骤2：建立混匀矿烧结基础特性预报模型；利用训练集中的数据通过粒子群算法得到极限学习机神经网络的最优权重矩阵、最优偏置向量，通过最优权重矩阵、最优偏置向量确定混匀矿烧结基础特性预报模型；

步骤3：通过测试集的数据对混匀矿烧结基础特性预报模型进行验证。

其中，所述混匀矿烧结基础特性预报模型为预先采用烧结基础特性已知的多个混匀矿样品的化学成分和烧损建立的，所述混匀矿烧结基础特性预报模型为粒子群算法优化的极限学习机神经网络，所述混匀矿烧结基础特性预报模型具有经过粒子群算法优化后的最优权重矩阵和最优偏置向量，所述混匀矿烧结基础特性预报模型用于处理包含n个特征的混匀矿化学成分以及烧损的混匀矿数据以获得所对应的混匀矿的烧结基础特性。

进一步地，所述方法，所述采用混匀矿烧结基础特性预报模型对所述混匀矿化学成分以及烧损进行处理之前，还包括：

采用多组包括混匀矿化学成分和烧损与相对应的烧结基础特性的混匀矿的样本数据，建立基于粒子群算法优化的极限学习机神经网络的混匀矿的基础特性预报模型。

应当理解为，建立基于粒子群算法优化的极限学习机神经网络的混匀矿的基础特性预报模型的步骤应当在采用混匀矿的基础特性预报模型对所述化学成分以及烧损进行处理之前。获取待检测的混匀矿样品的化学成分和烧损可以在建立基于粒子群算法优化的极限学习机神经网络的混匀矿的基础特性预报模型的步骤之前，或者之后。

具体地，获取待检测的混匀矿样品数据在建立基于粒子群算法优化的极限学习机神经网络的混匀矿烧结基础特性预报模型步骤之前，适应于在模型建立阶段。

具体地，得到获得的混匀矿样品的化学成分、烧损以及其对应的烧结基础特性数据。并将这些混匀矿样品随机的选择出一部分作为建立模型的训练样品，另一部分样品作为验证模型的测试样品。

具体地，获取待检测的混匀矿样品的数据在建立基于粒子群算法优化的极限学习机神经网络的混匀矿烧结基础特性预报模型的步骤之后，适应于在模型建立之后使用模型进行对混匀矿烧结基础特性预报的阶段。

具体地，在建立基于粒子群算法优化的极限学习机神经网络的混匀矿烧结基础特性预报模型之后，对获得的烧结基础特性未知的混匀矿样品，采用得到的与其对应的混匀矿的化学成分和烧损数据。采用建立的混匀矿烧结基础特性预报模型处理这些预测样品的化学成分和烧损数据，得到预测样品对应的烧结基础特性。

经过前述的训练步骤和验证步骤，预测样品烧结基础特性的预测值误差较小，可以满足生产实际需要。

具体地，极限学习机(extremelearningmachine，以下简称elm)神经网络是huang在2004年提出的一种单隐含层前馈神经网络。传统的bp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。

通常在极限学习机神经网络中，权值矩阵和偏置向量是随机给定的，这将导致极限学习机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。

粒子群优化(particleswarmoptimization，以下简称pso)算法是一种全局优化算法。因此，极限学习机神经网络和粒子群优化算法结合起来，可以对极限学习机的权重矩阵和偏置向量进行全局优化，但是传统的pso在粒子速度的更新过程中采用恒定不变的惯性权重，将会造成pso后期陷入局部最优，因此本发明的方法中在粒子群优化算法中引入线性递减的惯性权重来克服该缺点。使用以上粒子群优化算法来对极限学习机神经网络的权重矩阵、偏置向量进行全局优化，获得的具有最优权重矩阵、最优偏置向量的粒子群算法优化的极限学习机神经网络可用于处理混匀矿化学成分和烧损数据以获得混匀矿对应的烧结基础特性。

具体地，所述步骤2中，采用多组包括混匀矿化学成分和烧损以及相对应的烧结基础特性的混匀矿的样本数据，建立基于粒子群算法优化的极限学习机神经网络的混匀矿的基础特性预报模型，具体步骤包括：

获取多组包括混匀矿化学成分和与所述化学成分相对应的烧结基础特性的混匀矿的综合数据，其中，每组综合数据的烧结矿化学成分中包含n个特征以及烧损数据。

步骤2.1：设置粒子群算法优化的极限学习机神经网络的参数，其中，设置输入层的节点个数为n+1，设置输出层的节点为1。

步骤2.2：将所述混匀矿综合数据中的混匀矿化学成分和烧损作为所述粒子群算法优化的极限学习机神经网络的输入数据。

将所述混匀矿综合数据中的烧结基础特性数据作为所述粒子群算法优化的极限学习机神经网络的输出数据。

步骤2.3：使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量。

将所述最优权重矩阵设置为所述粒子群算法优化的极限学习机神经网络的权重矩阵。

将所述最优偏置向量设置为所述粒子群算法优化的极限学习机神经网络的偏置向量。

获得的粒子群算法优化的极限学习机神经网络即为混匀矿烧结基础特性预报模型。

对所述极限学习机神经网络说明如下：

假设极限学习机神经网络有l个隐含层节点，有n个训练样本数据(xi,ti)。

其中，xi＝[xi1xi2lxin]^t∈rⁿ，ti＝[ti1ti2ltim]^t∈r^m。其中i＝1,2,…l；rⁿ、r^m是指向量的维数；则该神经网络的输出为：

其中，j＝1,2,…n；ωi＝[ωi1ωi2…ωin]^t为连接第i个隐藏层节点与输入节点的输入权重。βi为连接第i个隐藏层节点与输出节点的输出权重。bi为第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(ωi,bi,xj)＝g(ωi·xj+bi)。让神经网络的实际输出和期望输出相等，还可以表示为：

hβ＝t(2)

其中，h为隐藏层输出矩阵，β为隐藏层输出权重矩阵，t为期望输出。

该算法是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

minimize:||hβ-t||(5)

最后huang教授已经证明该线性系统最小二乘解的最小值是：

这里：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。

对所述粒子群算法说明如下：

粒子群算法是由kennedy和eberhart提出的一种全局优化算法，源于对鸟群捕食行为的研究。粒子群算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。由于粒子群算法结构简单、容易实现，并且没有许多参数的调节，目前已被广泛应用于函数优化、神经网络训练等领域。

粒子群优化算法实现过程如下：在一个种群里，每一只鸟被抽象为一个粒子，并延伸到n维空间，粒子i在n维空间的位置xi＝(xi1,xi2,l,xin)，飞行的速度vi＝(vi1,vi2,l,vin)，每个粒子都有一个由目标函数决定的适应度值，其中，i＝1,2,…,m，其中m代表粒子个数。

在每一次迭代中，粒子通过跟踪粒子本身经历的最好的位置pbesti＝(pbesti1,pbesti2,l,pbestin)和整个群体所经过的最好的位置gbesti＝(gbesti1,gbesti2,l,gbestin)，并根据公式(7)和(8)不断更新速度和位置。

vi^k+1＝ωvi^k+c1rand()(pbesti-xi^k)+c2rand()(gbesti-xi^k)(7)

其中，k为当前迭代次数，c1,c2为学习因子，ω为惯性权重。

本发明实施例的方法中，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。

具体地，所述的方法中，在使用粒子群优化算法得到所述粒子群算法去优化的极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中，根据第一公式获取惯性权重ω，所述第一公式为：

ω(k)＝ωstart-(ωstart-ωend)·k/tmax，其中，ωstart＝0.9，ωend＝0.4，k为当前迭代次数，tmax为最大迭代次数。

在每一轮迭代中，根据第二公式更新粒子的个体极值pib和群体极值pg，所述第二公式为：

其中，pi为第i个粒子的位置，f(·)为粒子的适应度函数。

具体地，所述的方法中，所述粒子群算法优化的极限学习机神经网络中，极限学习机神经网络采用sigmoid函数作为激活函数。

以下结合具体应用，对本发明实施例的基于混匀矿的化学成分和烧损数据检测混匀矿烧结基础特性的方法进行说明。

步骤1：收集混匀矿样品，共有100个样品，并对其进行化学成分检测。

具体地，获得的混匀矿化学成分和烧结基础特性数据共有100组，其中选取70组作为训练数据，30组作为测试数据。

步骤2：采用70组训练数据建立具有最优权重矩阵、最优偏置向量的粒子群优化算法优化的极限学习机神经网络作为基于混匀矿烧结基础特性预报模型。如图2所示，本发明实例的基于pso-elm算法建立混匀矿烧结基础特性预报模型的方法，步骤如下：

步骤2.1：把混匀矿化学成分和烧损数据输入给混匀矿烧结基础特性预报模型，每个混匀矿化学成分数据有5个特征，故模型的输入数据为6个特征，输出数据为1个特征。

步骤2.2：初始粒子群算法和elm神经网络，粒子的最大迭代次数为50，粒子群数量为30；选择sigmoid函数作为elm神经网络的激活函数。

步骤2.3：使用elm算法对训练集混匀矿数据训练以得到粒子群的适应度值，对适应度值进行判断，然后保存最优的适应度值和粒子群的速度、位置以及粒子长度。

当网络达到最大迭代次数时就退出寻优，这时的粒子群算法优化的极限学习机神经网络具有最优权重矩阵、最优偏置向量。

步骤3：利用该混匀矿基础特性预报模型处理30组测试数据，得到的混匀矿的烧结基础特性的检测结果如图3所示。其中，图a、b、c分别为混匀矿同化温度、液相流动性以及粘结相强度的预报结果。

表一是列出了所述30组混匀矿样品的测试集采用本发明所提出的方法进行基础特性预报的精度、均方根误差以及相关系数。可以看出本发明提出的基于粒子群优化的极限学习机神经网络算法预报混匀矿烧结基础特性的方法，耗时较短、成本较低且预测精度较高，可以满足工业生产的需求。

表1烧结基础特性预报结果

综上所述，本发明实施例的混匀矿烧结基础特性预报模型方法，采用粒子群算法优化极限学习机神经网络建立的混匀矿烧结基础特性预报模型在混匀矿烧结基础特性预报时准确、高效。本发明实施例的基于pso-elm算法的混匀矿烧结基础特性预报的方法在经济、速度、准确性方面具有很大的优势和重要的实际应用价值。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。