文献类型：期刊文章

作　　者：方一鸣[1,2] 赵晓东[1] 张攀[1] 刘乐[1] 王硕玉[3]

FANG Yi-ming;ZHAO Xiao-dong;ZHANG Pan;LIU Le;WANG Shuo-yu(Key Lab of Industrial Computer Control Engineering of Hebei Province,Yanshan University,Qinhuangdao Hebei 066004,China;Engineering Research Center of the Education Ministry for Intelligent Control System and Intelligent Equipment,Yanshan University,Qinhuangdao Hebei 066004,China;School of Systems Engineering,Kochi University of Technology,Kami 782–8502,Japan)

机构地区：[1]燕山大学工业计算机控制工程河北省重点实验室,河北秦皇岛066004 [2]燕山大学智能控制系统与智能装备教育部工程研究中心,河北秦皇岛066004 [3]高知工科大学系统工程学院,日本香美782–8502

出　　处：《控制理论与应用》

基　　金：国家自然科学基金项目(61873226,61803327);河北省自然科学基金项目(F2017203304,F2019203090);河北省人才工程培养经费资助科研项目(A2016015002)资助。

年　　份：2020

卷　　号：37

期　　号：7

起止页码：1644-1654

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对高炉铁水硅含量难以在线检测的问题,本文提出一种基于改进灰狼算法(IGWO)优化的多核极限学习机(MKELM)高炉铁水硅含量预测建模方法.首先,针对灰狼算法(GWO)寻优能力的不足,将最优-最差正交反向学习(OWOOBL)策略应用于灰狼算法的位置更新,得到一种改进灰狼优化算法.通过10种标准函数对所提算法进行仿真测试,结果表明此算法具有更好的寻优能力.其次,针对单核极限学习机(KELM)回归能力不足,将不同种类的核函数加权组合,并采用改进灰狼算法对多核极限学习机中的加权系数等参数进行优化.最后,基于某钢厂的实测数据对高炉铁水硅含量进行预测建模,仿真结果表明,本文所提方法的预测效果优于反向传播神经网络(BP-NN)、极限学习机(ELM)、KELM和GWO-MKELM,对高炉炼铁具有较好的指导意义.

关 键 词：改进灰狼优化算法  最优-最差正交反向学习  多核极限学习机  铁水硅含量 预测建模  

分 类 号：TP181] TF53]