(高炉炉况的重要参数.docVIP

问题的重述 高炉炼铁是现代钢铁生产的重要环节影响铁水硅含量的因素很多，大体上分为两大类：状态参数和控制参数。状态参数料速、透气性、风口状况、铁水与炉渣成分等控制参数炉原料的性质(成分、比重、配料比等)、装料方式风量、风温、富氧量等，各个因素之间也存在交互影响。料速是判断高炉炉况的一个重要参数透气性指数是判断炉温与炉况顺行的一个重要参数铁量差指的是理论出铁量与实际出铁量之差：第i个主成分，第j个变量的权数 ：为回归常数 ：多元线性回归系数（=1,2，…） ：第i个主成分的第j个变量值 ：第i个主成分 四、模型的建立及求解 （一）模型一：多元线性回归模型 1.模型一的建立 多元线性回归模型的一般形式 式中，为回归常数，（=1,2，…）称为回归系数，称为被解释变量，即因变量；而是个可以精确测量并可控制的一般变量，称为解释变量，即自变量。 对于一个实际问题，如果我们获得组观测数据（）（=1,2，…，）则线性回归模型可表示为 （1.1） 由于大量的参数变量间并非相互独立，各个因素之间也存在交互影响 （1.2） 最后将看做一个新的变量，建立多元回归分析模型 （1.3） 2.模型一的求解 根据上面原理，利用SPSS软件进行主成分分析求解，结果如表1。 表1 主成分矩阵 根据表1结果，得到主成分的表达式。 （1.4） 同时将求得的值多元回归分析，结果如表2： 故拟合多元线性回归方程 （1.5） 表2 回归系数 3.模型一的检验 要看回归效果如何，对回归方程进行显著性检验，即看自变量从整体上对随机变量是否有显著的影响。为此提出原假设 ： （1.6） 如果被接受，则表示随机变量与之间的关系由线性回归模型表示不合适。为了建立对进行检验的统计量，利用总离差平方和的分解式 （1.7） 简写为 （1.8） 构造检验统计量如下 （1.9） 在正态假设下，当原假设：成立时，服从自由度为的分布。于是，可以利用统计量对回归方程的总体显著性进行检验。给定的显著性水平（取=0.05），查分布表，得临界值. 当时，拒绝原假设，认为在显著性水平下，对…有显著的线性；反之，当,则认为回归方程不显著。 表3 方差分析表 方差来源 自由度 平方和 均方 值 值 回归 残差 总和 。 表4 Sig为显著性水平检验，Sig0.05表示变量回归性显著。由表4可看出变量通过了显著性水平检验，但表2却反映，虽然变量通过了显著性水平检验，但某些变量，即F1、F2、F5、F7显著性水平较弱，（F1、F2、F5、F7分别对应表五中的Y1、Y2、Y5、Y7）。 将预测值和实际值汇在散点图上可直观的反映拟合效果，散点构成的直线基本倾斜向右上方，但离散程度过大，故方程的拟合效果不尽理想。此方法不适合用于此类的预测问题。 图1 炉温指数散点图 （二）模型二：BP神经网络模型 1. 模型结构的确定 BP神经网络模型可以拟合任意一个非线性映射，由输入层、隐藏层和输出层三部分组成。其基本的结构如图2所示。 图2 BP神经网络层次图 （1）输入层的确定 神经网络的输入层起缓冲存储器的作用，其向量的数目相当于所研究问题的独立变量数目。为了有效地进行铁水硅含量的预报，本模型结合题目本身所给的数据，同时考虑到不同参数对铁水硅含量的时间滞后性，对其作了精心的筛选，共选择9个参数作为网络模型的输入结点，如表5所示。 （2）隐含层的确定 隐含层神经元代表网络输入与输出之间的非线性程度，对模型的训练速度和预报能力有着重要影响，神经元数太少影响网络在输入层提取有价值的特征，网络可能训练不出来或网络不“强壮”，容错性差。但神经元个数太多又使学习时间过长，误差也不一定最佳。所以没有统一的理论依据，本文中我们根据Kolmogorov定理，确定隐含层神经元个数为19。 （3）输出层的确定 输出层神经元的个数取决于系统对网络功能的要求，本模型要实现铁水硅 含量的预测，故输出变量为铁水硅含量，即输出层神经元的个数为1。 因此在本文中，我们建立的神经网络模型结构为：9-19-1。 2. 样本集的确定 为完成对目标函数的逼近，在网络的构建训练和检测及结果评价的整