硕士论文答辩技术总结.ppt

LOGO 4.1.1软测量测试函数 绪论 软测量模型 操作优化 论文验证 总结 LOGO 数据集 算法 均方根误差 0% 5% 15% 30% Friedman#1 BP神经网络 AdaBoost.R2 AdaBoost.RT AdaBoost.RS 1.9498 1.4138 1.4246 1.4994 2.5065 1.7661 1.4740 1.5264 2.8308 1.9008 1.6557 1.5958 3.4320 2.5089 1.9092 1.7809 Friedman#1 BP神经网络 AdaBoost.R2 AdaBoost.RT AdaBoost.RS 37.9355 25.2476 20.8431 20.2757 49.6224 35.9880 34.0554 34.7617 63.1645 52.2486 50.7826 50.6799 85.0452 72.4341 68.7326 69.3750 Friedman#1 BP神经网络 AdaBoost.R2 AdaBoost.RT AdaBoost.RS 1.1409 0.8959 0.7773 0.7005 1.1549 0.9383 0.8462 0.7851 1.3768 1.1532 0.9582 0.9359 1.4519 1.2517 0.9099 0.8178 Gabor BP神经网络 AdaBoost.R2 AdaBoost.RT AdaBoost.RS 0.2899 0.2508 0.2284 0.2476 0.3392 0.2723 0.2354 0.2402 0.3754 0.2913 0.2708 0.2530 0.4185 0.3012 0.2885 0.2873 BP神经网络 AdaBoost.R2 AdaBoost.RT AdaBoost.RS 0.0359 0.0363 0.0367 0.0358 0.0370 0.0382 0.0380 0.0371 0.0395 0.0396 0.0383 0.0389 0.0434 0.0383 0.0377 0.0382 绪论 软测量模型 操作优化 论文验证 总结 4.1.2 实验结果比较 AdaBoost.R2算法对于噪声大的样本敏感性较大，不适宜工业应用 AdaBoost.RT算法精度较高，且对波动较大的数据点也有较好的预测效果，但是需要反复调整算法参数，实用性不强。 AdaBoost.RS算法预测结果精度较高，具有良好的抵抗噪声的能力。在建模过程中，无需调整参数，操作简便，实用性强。 AdaBoost.R2 AdaBoost.RT AdaBoost.RS 绪论 软测量模型 操作优化 论文验证 总结 LOGO 4.2.1优化部分测试函数 绪论 软测量模型 操作优化 论文验证 总结 LOGO 4.2.1优化部分测试函数 最优值进化曲线 最优值进化曲线 最优值进化曲线 最优值进化曲线 绪论 软测量模型 操作优化 论文验证 总结 LOGO 4.2.2 实验结果比较 多目标优化仿真图 通过本节实验的仿真分析，我们可以看出鲁棒优化得到的最优解具有较强的稳定性，与钢水期望温度的相对误差较小，证明鲁棒优化的必要性。 结果分析 绪论 软测量模型 操作优化 论文验证 总结 5 总结 5.1 论文总结 5.2 未来展望 5.3 致谢 5.1 创新点总结 创新点一 根据AdaBoost算法思想提出一种适用于LF炉钢包精炼钢水终点温度预报的集成软测量算法，通过实验验证该算法具有较高的精度，并且具有实用价值。 创新点二 对钢包精炼过程进行操作优化，根据该过程实际生产情况设定参数的扰动幅度，建立对应的多目标鲁棒优化模型。 创新点三 利用改进的和声搜索算法求解多目标鲁棒优化模型。本文根据和声搜索算法的主要思想提出了一种改进算法，通过实验证明该算法收敛速度较快，参数具有自适应性。 绪论 软测量模型 操作优化 论文验证 总结 5.2 未来研究方向 本文提出的软测量算法不能应用于多输出问题。后续研究针对LF炉精炼特点，提出一种软测量算法解决多输出问题，基于一种多输出算法建立软测量模型，满足对钢种成分的预报。 软测量建模 01 本文提出的优化模型只基于两个目标函数。而实际的精炼过程中，需要对成分进行多目标优化，以满足对成分的控制。因此，在后续研究中需要建立成分的多目标优化模型。 优化模型 01 针对LF精炼过程的多目标优化问题，提出了一种改进的和声搜索算法，但是该算法没有应用于过于复杂的优化模型中，在后续的研究中需要分析对复杂的优化模型的特点，改进和声搜索算法解决复杂优化模型。 优化算法 01 绪论 软测量模型 操作优化 论文验证 总结 THANKS 谢谢聆听 LOGO AdaBoost集成算法