mathorcup数学建模挑战赛历届题目及优秀集第七届优秀a1053.pdfVIP

基于改进的神经网络和混沌时间序列预测控制高炉炼铁过程 摘要 在我国制造业升级“ 制造2025 ”的 战略下，为了预测控制高炉炼 铁过程，本文建立了神经网络预测模型、混沌时间序列预测模型，并基于遗传算 GA PSO [S] 法（ ）改进了神经网络模型，使用粒子群算法（ ）优化了含硫量 。 针对问题一，首先，本文对附件所给数据进行了数据预处理，剔除了异常值 并归一化，得到932 组有效数据。然后，建立BP 神经网络预测模型预测了含硅 [Si] [Si] [S] FL PML 量 ，并 了含硅量 、含硫量 、鼓风量 和喷煤量 之间的相关 性。其次，建立了小波神经网络预测模型和遗传算法（GA ）优化的BP 神经网 络预测模型，并比较了三者优劣。接着，选取训练样本数据922 组，验证样本数 10 BP 据 组，发现遗传算法优化的 神经网络预测模型和小波神经网络预测模型 预测效果较好，BP 神经网络预测模型较差。最后，本文建立了混沌时间序列预 测模型，并对含硅量[Si]进行了混沌局部线性一步预测和二步预测。 922 10 针对问题二，首先，本文选取了 组数据作为训练样本， 组数据作为 验证样本，将传统的BP 神经网络预测模型、小波神经网络模型预测模型、基于 遗传算法优化BP 神经网络预测模型和混沌时间序列预测模型，分别预测后 10 [Si] BP 20% 炉次含硅量 的结果与实际值进行对比，计算得到： 预测成功率为 ，小 波预测为70%，GA+BP 预测为60%，混沌预测为80%。其次，通过不同的模型 分别预测了后10 炉次含硅量[Si]的结果，预测了炉温升降方向，计算得到：BP 40% 100% GA+BP 100% 100% 预测成功率为 ，小波预测为 ， 预测为 ，混沌预测为 。 最后，通过讨论神经网络训练函数的选取、神经网络性能参数的设定与混沌时间 序列预测邻域半径的选取， 了动态预测控制的可行性。 GA BP 针对问题三，首先，本文根据遗传算法（ ）优化 神经网络的预测模 型，预测了含硫量[S]，并找出了含硫量[S]与含硅量[Si]、鼓风量FL 和喷煤量PML 之间的关系。然后，本文使用粒子群算法（PSO ）优化了含硫量[S]，得出当鼓风 FL=0.7012 PML=0.0809 [S] 量归一化后 和喷煤量 时，含硫量 有最小值。最后，本 文 了在含硫量[S]最优条件下，预测控制含硅量[Si]的 效果，在含硫量[S] 取最小值时，预测到此时含硅量[Si]较小，为0.5712 。 针对问题四，我们结合建模背景、求解模型所得结果与 结果所得结论， 根据复杂流程工业智能控制的意义，浅谈了建模的心得体会。通过大数据挖掘， 我们可以确定生产过程的最佳途径与最佳参数范围，获得最佳生产效果。 关键词：BP 神经网络，小波神经网络，遗传算法，混沌时间序列，粒子群算法