论文阅读：高炉炼铁工序入炉焦比预测的研究_炼铁预测模型

论文题目：高炉炼铁工序入炉焦比预测的研究

作者：岳有军、董安、赵辉、王红君

论文要点

1 研究背景及方法比较
2 研究方法论述

• 灰色关联度分析（GRA）
• 最小二乘支持向量机（LSSVM）
• 粒子群算法（PSO）
• 基于以上三种算法的组合建模

3 结果分析
4 文章小结

1 研究背景及方法比较

目前在高炉入炉焦比模型的研究中，建模方法大致分为两种：

• 传统建模方法：参数回归建模、基于物料平衡的建模等。
  缺陷：涉及大量的计算，计算过程依据高炉反应的过程机理，建立的模型复杂、耗时且准确性较差。
• 人工智能方法：BP神经网络模型预测、基于各种组合的神经网络模型等。 缺陷：结构复杂、调节参数多、鲁棒性差，模型预测精度较低。

基于上述研究存在的问题，提出一种优化的人工智能算法来构建预测模型。首先应用灰色关联度分析确定影响高炉入炉焦比的主要因素，再采用最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)进行建模，LSSVM调节参数少，收敛速度快，并且损失函数直接定义为误差平方和，将优化中的不等式约束转化为等式约束，由此将二次规划问题转化为线性方程组求解，方便计算。

在用LSSVM建模中，核宽度σ和正则化参数γ的选取直接影响到模型的预测精度，所以运用粒子群算法(Particle Swarm Optimization，PSO)对LSSVM模型进行参数优化。因此GRA-PSO-LSSVM炼铁工序高炉入炉焦比预测模型既能解决输入变量和参数选择问题，又能提高预测的速度和精度。

<