论文部分内容阅读
钢包精炼炉是炉外精炼技术中一个重要的环节，是电炉／转炉和连铸之间的缓冲器，而实时准确的钢水温度预报对于完善冶炼操作，保证钢品质量有着重要意义。由于精炼炉温度受诸多因素影响，使得温度曲线是一个非线性的曲线，而传统的机理模型、神经元网络和统计方法对于非线性预报都存在在线应用困难和预报精度低的缺陷。在本文中，作者提出采用支持向量机对钢水温度曲线进行非线性拟合。采用的统计学习理论是在有限样本情况下新建立起来的统计理论体系，它为研究小样本情况下机器学习问题提供了有力的理论基础。它较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题，具有很强的泛化推广能力。
为了提高非线性函数回归的效果，作者引入小波函数作为新的支持向量机核函数。由于小波分解和支持向量机各自在函数回归上的优点，它们的结合很好的满足了LF炉温度预报的需要。另外，本文基于机理分析，提出了功率优化专家系统。