10.11857/j.issn.1674-5124.2019080078
改进深度信念网络的转炉耗氧量预测
为降低炼钢能耗,提高炼钢的产量、质量及炼钢过程中的耗氧量预测精度,针对某钢厂的转炉,基于海量历史数据,提出一种基于深度学习的改进深度信念网络(DBN)转炉耗氧量预测模型.通过引入高斯伯努利受限玻尔兹曼机(GBRBM),解决传统DBN中受限玻尔兹曼机(RBM)所引起的在连续输入时造成的信息丢失问题.首先经过数据预处理,再采用灰色关联度法,找出影响耗氧量的主导因素,最后将其作为GBRBM-DBN模型的输入,建立GBRBM-DBN模型,并通过仿真验证该方案的可行性.结果表明:该方案能够准确地预测炼钢过程中的耗氧量,预测精度高,泛化性强,可为实际生产提供理论指导.
转炉、深度学习、深度信念网络、受限玻尔兹曼机
46
TP391.9;N945.12(计算技术、计算机技术)
内蒙古自治区自然科学基金项目资助;内蒙古科技大学产学研合作培育基金资助项目
2020-07-13（万方平台首次上网日期，不代表论文的发表时间）
共6页
1-6
