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.pptx

2017年MathorCup大学生数学建模挑战赛决赛答辩参赛队伍：A1053参赛团队：张阳阳、王懿泽、李琅指导老师：重庆大学肖剑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

CONTENTS1问题重述2模型假设3符号说明4问题分析56数据预处理问题一模型的建立与求解7问题二模型的建立与求解8问题三模型的建立与求解9问题四的心得体会10结论11模型的优缺点12参考文献13附录

模型假设问题重述符号说明问题分析数据预处理问题一问题二问题三一.问题重述“中国制造2025”是我国制造业升级的国家大战略。其技术核心是智能制造，智能化程度相当于“德国工业4.0”水平。通过大数据挖掘，确定生产过程的最佳途径与最佳参数控制范围，预测性地动态调整生产过程控制，获得最佳生产效果。本课题数学建模需要解决的问题如下：从给定数据表中[Si]-[S]-FL-PML依序号排列的1000炉生产大数据中，自主选取学习样本和算法，建立[Si]预测动态数学模型，包括一步预测模型和二步预测模型。全面论述你的数学建模思路。自主选取验证样本，验证你所建立的数学模型的预测成功率。包括数值预测成功率和炉温升降方向预测成功率，并讨论动态预测控制的可行性。以质量指标铁水含硫量[S]为例，含硫量低，铁水质量好，可以生产优质钢，制造优质装备。试建立质量指标[S]的优化数学模型，并且讨论按照优化模型计算结果进行[Si]预测控制的预期效果。讨论你所建立的复杂流程工业智能控制大数据建模的心得体会。

模型假设符号说明问题分析数据预处理问题一问题二问题三问题重述二.模型假设（1）假设在混沌局部线性预测中，邻域的选取客观准确，主观性较小。（2）假设在混沌局部线性预测中，局部特性可以准确代表整体特性。（3）假设在神经网络预测中，输入变量作为网络的第一层合理有效。（4）假设附件中提供的数据及所使用的数据都真实准确。（5）假设铁水含硅量[Si]、含硫量[S]、喷煤量PML和鼓风量FL组成的数据能代表高炉炼铁过程，体现高炉炼铁特性。

符号说明问题分析数据预处理问题一问题二问题三问题重述三.符号说明模型假设

符号说明数据预处理问题一问题二问题三问题重述四．问题分析模型假设问题分析4.1问题一的分析在问题一中，题目要求我们从给定数据表中[Si]-[S]-FL-PML依序号排列的1000炉生产大数据中，自主选取学习样本和算法，建立[Si]预测动态数学模型，包括一步预测模型和二步预测模型。其中的一步预测模型和二步预测模型指的是预测步长分别取1和2，前后两炉铁水含硅量，即炉温之间是具有相关性的。这里的学习样本不能是全部的1000炉生产大数据，因为问题二中需要我们验证所建立的数学模型的预测成功率，所以不能选择全部数据来训练，只能选择一部分数据来学习训练。至于建模的算法，需要结合问题本身来选择。

符号说明数据预处理问题一问题二问题三问题重述四．问题分析模型假设问题分析4.2问题二的分析在问题二中，题目要求我们自主选取验证样本，验证我们所建立的数学模型的预测成功率，包括数值预测成功率和炉温升降方向预测成功率。并且讨论其动态预测控制的可行性。我们需要从1000炉生产大数据中剩下未学习训练的数据中，选取验证样本，验证包括[Si]含量和炉温升降方向的成功率。难点在于讨论其动态预测控制的可行性，以及如何提高算法的预测成功率。

符号说明数据预处理问题一问题二问题三问题重述四．问题分析模型假设问题分析4.3问题三的分析在问题三中，题目要求我们以质量指标铁水含硫量[S]为例，含硫量低，铁水质量好，可以生产优质钢，制造优质装备。通过大数据挖掘，确定生产过程的最佳途径与最佳参数控制范围，预测性地动态调整生产过程控制，获得最佳生产效果，建立优化模型，并采用智能式启发算法，即全局优化算法，如：遗传算法、粒子群算法、蚁群算法等进行求解，讨论对[Si]的预测控制。4.4问题四的分析在问题四中，题目要求我们讨论我们所建立的复杂流程工业智能控制大数据建模的心得体会，这需要结合我们模型的结果和背景来讨论。

目录一.问题重述二.模型假设三.符号说明四.问题分析六．问题一模型的建立与求解5.1异常值剔除5.2归一化处理5.3预处理后的数据6.1BP神经网络预测模型6.2小波神经网络预测模型6.3遗传算法优化BP神经网络预测模型6.4混沌时间序列预测模型五.数据预处理CONTENTS

7.1模型的预测成功率七．问题二模型的建立与求解7.1.1训练集与验证集7.1.2数值预测成功率7.1.3炉温升降方向预测成功率7.2动态预测控制的可行性7.2.1神经网络训练函数的选取7.2.2神经网络性能参数的设定7.