（鋼鐵冶金專業(yè)論文）冶金過程中統(tǒng)計模式識別—神經(jīng)網(wǎng)絡優(yōu)化程序的研制.pdf

墮窒堡篁型墊查堂堡圭笙奎 _ _ - _ _ _ _ _ _ _ _ _ _ _ - - - _ _ _ _ _ _ _ - _ _ _ - _ _ _ _ _ _ - _ - _ _ _ _ _ 一一 冶金過程中統(tǒng)計模式識別一神經(jīng)網(wǎng)絡 優(yōu)化程序的研制 專業(yè)：鋼鐵冶金 碩士生：張海斌 指導老師：鄒德寧 摘要 本文采用統(tǒng)計模式識別的主成分分析法( p c a ) 、偏最小二乘法( p l s ) 、最 優(yōu)判別平面法( o d p ) 和共享k 近鄰法( s k l 叮n ) 的算法為基礎，結合b p 神經(jīng) 網(wǎng)絡技術，在凇t l a b 語言和環(huán)境下，針對鋼鐵冶金過程的特點研制和開發(fā)了 鋼鐵冶金過程人工智能優(yōu)化軟件，并以實際生產(chǎn)熱軋硅鋼片牌號優(yōu)化問題為研究 對象，對所開發(fā)的軟件進行了驗證。 研究工作的技術路線為：對采集樣本數(shù)據(jù)進行預處理；利用統(tǒng)計模式識別方 法進行分類圖映射并給出定性優(yōu)化方案；在分類理想的基礎上，利用s k n n 法 求優(yōu)類樣本中心和差類樣本中心并進行定量分析；再利用神經(jīng)網(wǎng)絡對優(yōu)化方案進 行預報和驗證。 所開發(fā)的優(yōu)化軟件采用模塊化結構設計，具有較好的易讀性和可擴展性，并 利于對程序的調(diào)試和檢測。 研究表明本文所采用的由定性優(yōu)化到定量優(yōu)化，最終用神經(jīng)網(wǎng)絡預報和驗證 優(yōu)化方案的研究方法，對于多影響因素且反應機理復雜的鋼鐵冶金生產(chǎn)過程的優(yōu) 化問題的分析研究具有科學性、可靠性和實用性。 關鍵字：鋼鐵冶金人工智能優(yōu)化統(tǒng)計模式識別神經(jīng)網(wǎng)絡 論文類型：應用基礎 r e s e a r c ho ft h es t a t i s t i cp a t t e r nr e c o g n i t i o n - - n e u r a l n e t w o r k o p t i m i z a t i o np r o g r a m i nt h em e t a l l u r g i c a lp r o c e s s s p e c i a l t y ： i r o na n ds t e e lm a k i n g n a m e ：h a l b i n z h a n g s u p e r v i s o r ：d e n i n g z o u a b s t r a c t i nt h i st h e s i s ，t h ea r t i f i c i a li n t e l l i g e n c eo p t i m i z a t i o ns o f t w a r ei nt h ep r o c o s so fi r o n a n ds t e e lm a k i n gw a sd e v e l o p e d c o n s i d e r i n go ft h ef e a t u r e so fm e t a l l u r g i c a lp r o c e s s a n db a s i n go nt h em a t l a b l a n g u a g ec i r c u m s t a n c e ，s e v e r a lc o m m o n - u s e d m e t h o d s f o r p a t t e r nr e c o g n i t i o n w e r e e m p l o y e d ，w h i c h w e r e p r i m a r y c h a r a c t e r i s t i c s a n a l y s i s ( p c a ) 、p a r t i a ll e a s ts q u a r e s 口l s ) 、o p t i m a ld i s c r i m i n a t i o np l a n ( o d p ) a n d s h a r e dk n e a r e s tn e i g h b o r s ( s k n n ) a r t i f i c i a ln e u r a ln e t w o r k t e c h n i q u ew s s a l s ou s e d t a k e nt h ep r a c t i c a lp r o d u c i n gh o t - - r o l ls i l i c o n - s t e e lp l a t ea so p t i m i z a t i o nr e s e a r c h o b j e c t ，t h ed e v e l o p e ds o f t w a r ew b s v a l i d a t e d t h er e s e a r c ht e c h n i q u ep r o c e d u r ew a s ：p r e t r e a e dt h ec o l l e c t e ds a m p l ed a t a ，g a i n e d t h ec l a s s i f i e dm a p so f p c a ，p l sa n do d pa n dd i s c u s s e dt h eq u a l i t a t i v e a n a l y s i sb a s e d o nt h ef u r t h e s to p t i m a lm a po ft h et h r e e ，t h e nq u a n t i t a t i v ea n a l y s i sw a sm a d ew i t h c l a s sc e n t e r so f g o o dd a t aa n db a do n e sc a l c u l a t e db ys k n n m e t h o d ；l a s t l y , a r t i f i c i a l n e u r a ln e t w o r kw a se m p l o y e dt o p r e d i c tt h eo p t i m i z e dv a l u e sa n dv a l i d a t et h e a c q u i r e do p t i m i z e dp r o j e c t t h ed e v e l o p e ds o f t w a r ew a sd e s i g n e d 謝t hm o d u l a rs t r u c t u r e i tw a sr e a d a b l e ， e x t e n s i b l ea n d e a s i l ya d j u s t e da n d t e s t e d t h es t u d ys h o w e dt h a tt h ee m p l o y e dm e t h o di nt h i st h e s i s ，f r o mt h eq u a l i t a t i v et o q u a n t i t a t i v ea n a l y s i so fo p t i m i z a t i o n ，a n dt h e nu s i n gn e u r a ln e t w o r kt o p r e d i c ta n d v a l i d a t eo p t i m i z e d p r o j e c t ，w a ss c i e n t i f i c ，r e l i a b l ea n d p r a c t i c a b l ef o rt h e m e t a l l u r g i c a l p r o c e s sw h i c hw i t hm u l t i a f f e c t e df a c t o r sa n d c o m p l i c a t e dr e a c t i v em e c h a r d s m k e y w o r d ：i r o na n ds t e e la r t i f i c i a li n t e l l i g e n c e o p t i m i z a t i o n s t a t i s t i cp a t t e r n r e c o g n i t i o n n e u r a ln e t w o r k t h e s i s t y p e ：a p p l i c a t i o nf u n d a m e n t a l 聲明 本人鄭重聲明我所呈交的論文是我個人在導師指導下 進行的研究工作及取得的研究成果。盡我所知，除了文中特 別加以標注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表 或撰寫過的研究成果，也不包含本人或其他人在其它單位已 申請學位或為其它用途使用過的成果。與我一同工作的同志 對本研究所做的所有貢獻均已在論文中作了明確的說明并 表示了致謝。 申請學位論文與資料若有不實之處，本人承擔一切相關 責任。 論文作者簽名：張涵拭 目期：a 一，與、乃- 跏 關于論文使用授權的說明 本人完全了解西安建筑科技大學有關保留、使用學位論 文的規(guī)定，即：學校有權保留送交論文的復印件，允許論文 被查閱和借閱；學?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以 采用影印、縮印或者其它復制手段保存論文。 ( 保密的論文在論文解密后應遵守此規(guī)定) 論文學虢耀涵犧繇御瞧肼如礦 西安建筑科技大學碩士論文 1 1 引言 1 緒論 現(xiàn)代化的冶金生產(chǎn)要求準確掌握生產(chǎn)中的各種參數(shù)及其變化趨勢，為控制生產(chǎn)操 作提供數(shù)據(jù)保證。這些數(shù)據(jù)包括物料濃度、溫度、壓力和反應時間等。然而現(xiàn)代化大 規(guī)模的冶金生產(chǎn)常涉及到高溫、物料復雜、波動大和不確定因素多等復雜隋況。由于 參數(shù)眾多，加之缺乏有效的檢測手段，所得數(shù)據(jù)有噪音，很難建立起準確再現(xiàn)真實物 理過程的數(shù)學模型，難以應用傳統(tǒng)信息處理技術進行處理。對于這些過程的描述求解 計算機數(shù)值求解是無能為力的，只有借助模式識別一神經(jīng)網(wǎng)絡系統(tǒng)才能獲得更真實的 結果。模式識別和人工神經(jīng)網(wǎng)絡方法是處理大量生產(chǎn)數(shù)據(jù)并尋求其內(nèi)在規(guī)律性的有效 的計算機信息處理技術。國內(nèi)外學者將其用于化工、煉油與輕工等行業(yè)的工廠技術數(shù) 據(jù)處理，從中抽提有用信息，用以優(yōu)化或改進，效果顯著。近年來，這一技術己推廣 應用于我國一批大、中型鋼鐵企業(yè)。在煉焦配煤、燒結塊強度、煉鐵焦比、煉鋼轉(zhuǎn)爐 爐齡、合金鋼冶煉和熱處理、連鑄表面質(zhì)量和鋼板冷軋后性能預測等數(shù)據(jù)處理方面都 取得了不同程度的效果。 1 2 模式識別一人- 1 - 奉p 經(jīng)網(wǎng)絡概述 傳統(tǒng)統(tǒng)計模式識別的一般流程如圖1 1 所示 待識別對象 圖l _ l 統(tǒng)計模式識別的一般流程 有些事物可以被當作個整體看待，用一個或一組數(shù)值型數(shù)據(jù)來表征，當從傳感 器等數(shù)據(jù)采集裝置采集到一組信息后，經(jīng)過預處理，便可得到表征相應事物且能把它 與其它事物區(qū)分開來并呈現(xiàn)某種統(tǒng)計特征的組數(shù)據(jù)( 特征向量) ，并以其作為歸類的 墾室壅竺至! 墊奎堂堡圭笙壅 依據(jù)，統(tǒng)計模式識別就是利用事物的這特性，研究劃分特征空間的各種方法，來判 別待識別事物的歸屬?？茖W研究中，由于研究對象復雜，多因素交織在一起，或由于 機理不清楚，而理論計算工作無法進行，這時模式識別就是一種有效的手段，從已知 實驗樣本總結規(guī)律，預報未知。 人工神經(jīng)網(wǎng)絡是對人腦神經(jīng)系統(tǒng)所作的抽象、簡化和模仿所得到的復雜售息處理系 統(tǒng)，它由很多類似人腦神經(jīng)細胞的單元一神經(jīng)元所組成。單個的神經(jīng)元結構簡單，功能 有限，但大量神經(jīng)元構成的網(wǎng)絡系統(tǒng)卻具有十分復雜且強大的功能。神經(jīng)網(wǎng)絡利用大量 神經(jīng)元之間的連結強度及其分布來表示特定信息，具有如下特點： a 具有自適應、自學習和自組織能力： b 具有聯(lián)想記憶和推廣能力； c 大規(guī)模并行計算能力； d 分布式存儲信息且具有很強的容錯性。 上述特點說明神經(jīng)網(wǎng)絡特別適用于需要同時考慮多因素且不精確的信息處理問 題，這一技術為冶金過程數(shù)據(jù)處理提供了一種新的方法。 1 3 模式識別一人工神經(jīng)網(wǎng)絡算法在冶金領域的發(fā)展與現(xiàn)狀 各國科研院所和企業(yè)集團的支持下，冶金研究者經(jīng)過多年的努力，模式識別一人 工神經(jīng)網(wǎng)絡的系統(tǒng)應用軟件己不斷涌現(xiàn)出來”“。 如美國s t a n f o r d 大學神經(jīng)網(wǎng)絡應用公司與n o r t hs t a r 鋼鐵公司和c o p p e r w e l d 鋼鐵公司合作“，開發(fā)了智能電弧爐( i a f ) 。利用神經(jīng)網(wǎng)絡技術來實時在線調(diào)節(jié)電弧爐 電極位置，以減少電極和電能消耗，提高產(chǎn)量。該系統(tǒng)由數(shù)據(jù)采集預處理和3 個2 層 反向傳播( b a c kp r o p a g a t i o n ) 網(wǎng)絡組成。連接于電弧爐的數(shù)據(jù)采集系統(tǒng)，將收集的數(shù) 吉字節(jié)( g b ) 的數(shù)據(jù)存儲在磁帶上，進行離線分析。該系統(tǒng)已推廣應用于包括我國廣州 鋼鐵公司在內(nèi)的幾家鋼鐵公司。 日本神戶鋼鐵廠在高爐爐頂煤氣溫度分布和爐頂料面形狀的模式識別中采用反向 傳播網(wǎng)絡，而在高爐爐壁溫度分布和爐內(nèi)焦炭煤氣化反應模式的識別中，采用自組織 映射網(wǎng)絡( s o f m ) “4 ；日本川崎鋼鐵公司千葉廠鋼鐵廠采用反向傳播網(wǎng)絡預測爐熱模式 和熱風量模式。日本新日鐵大分廠采用反向傳播網(wǎng)絡預測爐內(nèi)煤氣流分布模式，并與 專家系統(tǒng)結合，預測高爐爐況，進行操作指導，該系統(tǒng)的數(shù)據(jù)采集部分收集了訓練神 經(jīng)網(wǎng)絡需要的大量準確的模式識別用數(shù)據(jù)，同時還要為專家系統(tǒng)準備預測爐況趨勢的 數(shù)據(jù)，而各用一個二層反向傳播網(wǎng)絡來完成對爐腹上部煤氣利用率和爐腹中部煤氣利 用率和爐壁溫度的模式識別。 2 西安建筑科技大學碩士論文 模式識別一人工神經(jīng)網(wǎng)絡技術在鋼鐵工業(yè)中已逐步向?qū)嵱没A段過渡，在原料、 煉鐵、煉鋼、連鑄、軋鋼、精整和發(fā)電等工序以及生產(chǎn)管理領域作診斷、控制、編制 計劃、設計和運轉(zhuǎn)等應用。日本在鋼鐵工業(yè)應用模式識別一人工神經(jīng)網(wǎng)絡技術方面發(fā) 展最快。在歐美發(fā)達國家的冶金企業(yè)中模式識別和人工神經(jīng)網(wǎng)絡技術也已獲得了較為 廣泛的應用，取得了很好的經(jīng)濟效益，部分軟件已進入了中國企業(yè)，如i a f 等。但由 于國外的這些應用軟件的價格很高，且往往與其設備等硬件一起出售，在工業(yè)標準上， 與國內(nèi)有差別，因此，國內(nèi)自行開發(fā)這些軟件勢在必行。 表1 1 列出了國外一些商品化軟件的主要功能特點以及使用情況。 國內(nèi)的模式識別一人工神經(jīng)網(wǎng)絡方法的應用始于8 0 年代末9 0 年代初，經(jīng)過我國 科技工作者十幾年的基礎研究和發(fā)展，先后開發(fā)了系列應用軟件，這些軟件應用于化 工冶金、煉油、輕工和新材料設計等行業(yè)工廠數(shù)據(jù)的技術處理，從中抽提有用信息， 用以優(yōu)化或改進生產(chǎn)，解決了一些實際問題，效果顯著“。 中科院上海冶金研究所在國內(nèi)最早開展模式識別一人工神經(jīng)網(wǎng)絡技術的研究“4 ?！? 并做了大量工作。研究工作大致可分為兩個階段：第一階段著重利用統(tǒng)計模式識別方 法。該方法可將影響工業(yè)目標數(shù)據(jù)( 如能耗、收得率或產(chǎn)品性能等) 的多種因素的代 表量張成多維空間，將工業(yè)數(shù)據(jù)“記入”多維空間，并按工業(yè)目標數(shù)據(jù)對代表點分類， 即形成信息處理用的模式空間。應用主成分分析法等分類映照法使多維圖象向二維平 面映照，作屏幕顯示和人機對話，選出若干感興趣的優(yōu)化區(qū)，然后通過目測和逆映照 技術將優(yōu)化區(qū)復原到多維空間，顯示其坐標或函數(shù)描述，以求得解決實際問題的優(yōu)化 解；第二階段將人工神經(jīng)網(wǎng)絡方法應用于工藝優(yōu)化過程，并將它和傳統(tǒng)的模式識別優(yōu) 化方法結合，開發(fā)了基于模式識別一人工神經(jīng)網(wǎng)絡的智能軟件包。應用該軟件包對生 產(chǎn)數(shù)據(jù)進行優(yōu)化分析，找到影響生產(chǎn)的主要工藝參數(shù)，指明優(yōu)化方向、優(yōu)化點和優(yōu)化 區(qū)域，并利用人工神經(jīng)網(wǎng)絡對優(yōu)化點進行預報。 冶金部自動化研究院與寶山鋼鐵( 集團) 公司合作“”，在“八五攻關中開發(fā) 了“連鑄神經(jīng)元網(wǎng)絡漏鋼預報系統(tǒng)”。在該系統(tǒng)中，對連鑄粘接斷裂口的橫向傳播和縱 向傳播均進行檢測，系統(tǒng)由橫向神經(jīng)元網(wǎng)絡與縱向神經(jīng)元網(wǎng)絡構成，每一個橫向神經(jīng) 元網(wǎng)絡和縱向神經(jīng)元網(wǎng)絡都是將時序判斷與空間判斷功能綜合在起的單個神經(jīng)元網(wǎng) 絡，橫向f 網(wǎng)絡取上排熱電偶在時間序列上的1 3 個采樣點作為輸入，縱向網(wǎng)絡取同一列 上下兩個熱電f 禺在時間序列上的1 3 x 2 個采樣點作為輸入。這些神經(jīng)元網(wǎng)絡的輸出變 換為邏輯變量經(jīng)過邏輯綜合，其結果作為系統(tǒng)輸出，系統(tǒng)輸出結果分為輕報警( 黃牌) ， 重報警( 紅牌) 及無報警。該系統(tǒng)的預報結果優(yōu)于原來從新日鐵引進的邏輯判斷預報 系統(tǒng)。 西安建筑科技大學碩士論文 表i 1部分國外神經(jīng)網(wǎng)絡在冶金中的應用實例 序號 名稱模型與特征主要功能 應用廠家 爐頂煤氣溫度分爐頂煤氣溫 1布料面形狀識b p 模型度分布料面日本神戶制鋼 別系統(tǒng)形狀識別 由兩類兩層 1 9 9 0 年應用于日 b p 網(wǎng)構成帶連鑄漏鋼預 2漏鋼預報系統(tǒng)本新日鐵八幡鋼 沖量的b p 訓報 鐵廠 練算法 高爐爐況爐內(nèi)煤 b p 網(wǎng)絡與專 預測高爐爐 3 氣流分布模式預 家系統(tǒng)結合 況爐內(nèi)煤氣 1 9 8 8 年應用于日 本新日鐵大分廠 測系統(tǒng)流分布模式， 爐熱熱風量控 用附加動量爐熱預測熱 4 項的b p 訓練風量控制模 日本川崎制鐵公 制模式預測系統(tǒng)司千葉廠 算法式預測 鍍層重量的綜合控制熱浸鍍 1 9 9 4 年應用于美 5 神經(jīng)網(wǎng)絡控制系b p 網(wǎng)絡鋅線鍍層重 國伯利恒鋼鐵公 統(tǒng)量 司 智能電弧爐 使用三個2 層預測爐況，控應用于美國n o r t h 6 b p 網(wǎng)絡與專制調(diào)節(jié)電極 s t a r 等十幾家鋼 ( i a f ) 控制系統(tǒng) 家系統(tǒng)位置鐵公司 高爐爐壁溫度分高爐爐壁溫 布與爐內(nèi)焦炭氣 自組織映射度分布爐內(nèi) 7 日本神戶制鋼 化反應模式識別網(wǎng)絡 焦炭氣化反 系統(tǒng) 應模式識別 4 西安建筑科技大學碩士論文 另外，冶金部自動化研究院與北京科技大學臺作進行了爐熱及異常爐況預報系統(tǒng) 和軟熔帶推斷系統(tǒng)，同時，也開展了轉(zhuǎn)爐靜態(tài)和動態(tài)控制輔助系統(tǒng)的研究，并用實際 數(shù)據(jù)進行了運算和仿真“。 中科院化工冶金研究所與石家莊鋼鐵廠聯(lián)合開發(fā)的高爐人工神經(jīng)網(wǎng)絡監(jiān)控系統(tǒng) “”，是一套實時數(shù)據(jù)采集和數(shù)據(jù)處理系統(tǒng)。即該系統(tǒng)能采集反應過程變化的重要參量， 提供過程參量的監(jiān)測功能；同時能采用數(shù)學模型，對所采集到的實時數(shù)據(jù)進行快速的 計算和處理，對高爐爐內(nèi)的異常狀態(tài)和產(chǎn)品質(zhì)量的重要參數(shù)變化進行預報，為高爐操 作提供依據(jù)。在進行總體設計時，采用了上下位分層的計算機系統(tǒng)結構方式。其中下 位機主要用于高爐過程參量信號的采集，上位機用于對所采集的信號進行數(shù)據(jù)處理。 在上位機與f 位柳之間采用中斷方式進行異步數(shù)字通信，保證下位機所采集的實時數(shù) 據(jù)能夠及時地送至上位機，由上位機對不斷積累的實時數(shù)據(jù)進行動態(tài)管理，并通過一 定的數(shù)學模型進行數(shù)據(jù)處理，分別實現(xiàn)高爐爐況異常預報、生鐵含硅量預報、高爐物 料平衡及熱平衡計算、高爐重要參數(shù)的制表、打印及變化曲線繪制等功能。 東北大學與萊鋼二鐵燒結車間開發(fā)的燒結礦化學成分超前預報系統(tǒng)，采用了3 層b p 網(wǎng)絡，該系統(tǒng)將燒結過程看成一個系統(tǒng)。一定的原料參數(shù)，操作參數(shù)作為設備參 數(shù)，則有定的狀態(tài)參數(shù)和指標參數(shù)與之對應。選擇與燒結礦質(zhì)量有直接關系的堿度、 全鐵和f e o 含量作為預報輸出，分別進行研究。網(wǎng)絡預報結果與實際值相對誤差很小， 均在允許的工藝范圍內(nèi)，仿真效果較理想。 與國外相比，國內(nèi)開發(fā)的應用軟件在預報的準確率方面接近國外同類軟件，但在 功能上，尤其是與數(shù)學模型和專家系統(tǒng)的集成性方面還需要進一步的研究和發(fā)展。 為了將統(tǒng)計模式識別一神經(jīng)網(wǎng)絡技術更好地應用于冶金的生產(chǎn)過程，將計算機信 息化技術向?qū)嵱没^渡，本文擬研制套適用于冶金生產(chǎn)過程的優(yōu)化程序。 1 4 本文的主要研究內(nèi)容、研究目標及技術路線 綜合國內(nèi)外模式、識別一人工神經(jīng)網(wǎng)絡數(shù)據(jù)處理軟件的研究現(xiàn)狀及發(fā)展水平，基于 我們的研究目的，本文主要在以下幾個方面進行研究： & 應月| 類型朗度排除噪音數(shù)據(jù)為了判斷樣本是否為噪音，傳綾的模式識別方 法系應用蜘視分類器用舢鰳平面圖，諺 另 j 錯分的樣本。這種作i 敝僅根據(jù)二 墮窒壟篁型墊奎蘭堡主笙壅 _ _ _ _ _ _ _ _ _ - - _ _ 一 維投影，不可避免損失了相當多的信息，即使在二維圖上分類很好，作為優(yōu)化也不一定 很可靠。本文過濾噪音時，引進模糊理論的隸屬度概念，給每一個樣本分配各類型的隸 屬度，讓計算機在任意維空間自動識別和刪除噪音樣本。 模式識別一人工神經(jīng)網(wǎng)絡工業(yè)優(yōu)化的步驟如圖1 1 所示。 確定目標變量 i 收集生產(chǎn)數(shù)據(jù) 上 數(shù)據(jù)預處理 過濾噪音篩選特征變 量標準化 上 空間變換降維聚類 選定分類子空間 上 確定優(yōu)化方向建立定 性分析的數(shù)學模型 0 利用共享k 近鄰法求兩 類中心作定量分析 上 利用樣本數(shù)據(jù)訓練神經(jīng) 網(wǎng)絡優(yōu)化方案驗證 圖1 i 模式識別一人工神經(jīng)網(wǎng)絡優(yōu)化框圖 b 在分類映照圖中，子空間的性質(zhì)和分類好壞關系密切如果直接用兩個原始工 藝參數(shù)構造，般說來，在這種分類圖上看不到分類規(guī)律，因為只用兩個工藝參數(shù)不 能構造復雜的工藝過程。分類圖必須在經(jīng)變換的新模式空間進行才可能有效，因為新 空間的任特征都包括了所有原始工藝參數(shù)的信息。當所研究的對象( 模式) 客觀上 按類型分組( 一組被視為類) ，分類模式識別的任務是揭示類型區(qū)別的本質(zhì)，從而可 正確預報未知模式所屬的類型。計算機如能做到這一點，就具備了類似于人的識別能 6 西安建筑科技大學碩士論文 力。有許多空間變換方法可將訓練樣本模式投影到二維映照圖，利用常用的三種模式 識別方法主成分分析法、偏最小二乘法和最優(yōu)判別平面法進行研究。 c 從分類映照圖可目測出所研究問題的優(yōu)化方向或各類樣本的大致變化趨勢， 基于這個趨勢可建立起所研究問題的定性數(shù)學模型在此基礎上，可應用共享k 近鄰 法求近鄰加權的類中心。 d 通過兩類中心對應的工藝參數(shù)，報告當前的優(yōu)化方向即指出為使生產(chǎn)優(yōu)化 應如何調(diào)節(jié)工藝參數(shù)，調(diào)節(jié)多少，從而確定哪些工藝參數(shù)是當前優(yōu)化的主要因素等。 e 建立原始工藝參數(shù)和目標的神經(jīng)網(wǎng)絡對以上得出的優(yōu)化方案，借助于經(jīng)訓 練的人工神經(jīng)網(wǎng)絡預報類中心對應的工藝參數(shù)可能具有的具體目標值，檢驗它們的可 靠程度，決定取舍。 f 通過實際算例來驗證匕述數(shù)據(jù)處理軟件通過算例驗證，測試本軟件的可靠 性。 1 , 4 2 研究目標及技術路線 本文旨在以傳統(tǒng)模式識別一人工神經(jīng)網(wǎng)絡算法為基礎，基于腳l a b 編程語言，開發(fā) 出針對鋼鐵；倒避觸的人工智自匕優(yōu)化軟件系統(tǒng)，該系統(tǒng)具有桃燃預處理功能， 模式識別分類映照功能；類中心計算功能；給出定性優(yōu)化方案功能；給出定量優(yōu)化方案 功能；基于人工神經(jīng)網(wǎng)絡的預報等多功能的系統(tǒng)優(yōu)化軟件。 本文擬定的技術路線如圖1 2 所示。 圖1 2 本文的技術路線 7 西安建筑科技大學碩士論文 2 1 引言 2 分類模式識別一人工神經(jīng)網(wǎng)絡原理 模式是對感興趣的客體定量的或結構的描述；模式類是具有某些共同特性的模式 的集合。模式識別是研究一些自動技術并依靠這些技術，利用計算機自動地( 或者人工 進行少量干涉) 把待識別模式分到各自的模式類中去?！?。 為了讓訓練樣本按照它們所屬類型在某種空間分別聚集，在人工神經(jīng)網(wǎng)絡算法迅 速發(fā)展以前。已有許多分類模式識別算法。分類模式識別是一種從空間區(qū)域劃分和屬 性類別判斷角度出發(fā)處理多元數(shù)據(jù)的非函數(shù)方法。7 0 年代初，美國w a s h i n g t o n 大學 的k o w a l s k i 教授開創(chuàng)性地將模式識別應用于化學領域。以后，模式識別方法被廣泛地 應用于生物、礦產(chǎn)、化學分析和化工冶金等領域，其應用得到了很大的發(fā)展。 人工神經(jīng)網(wǎng)絡是由大量神經(jīng)元處理單元廣泛互聯(lián)而成的網(wǎng)絡，它是在現(xiàn)代神經(jīng)科 學研究成果的基礎上發(fā)展起來的，反應了人腦功能的基本特性。網(wǎng)絡的信息處理由神 經(jīng)元之間的相互作用來實現(xiàn)，知識與信息的存儲表現(xiàn)為網(wǎng)絡元件互聯(lián)間分布式的物理 聯(lián)系，網(wǎng)絡的學習與識別決定于各神經(jīng)元連接權系數(shù)的動態(tài)演化過程。神經(jīng)網(wǎng)絡特別 適用于需要同時考慮多因素且不精確的信息處理，為冶金過程數(shù)據(jù)處理提供了一種新 的方法。 2 2 模式識別一人工神經(jīng)網(wǎng)絡技術工業(yè)調(diào)優(yōu)步驟 模式識別的基本原理是：如果樣本屬性和描述樣本的特征變量之間存在對應關 系，則不同類別的樣本就處于模式空間中的不同區(qū)域。 2 2 1 模式識別人工神經(jīng)網(wǎng)絡工業(yè)調(diào)優(yōu)的步驟 一般來說，影響調(diào)優(yōu)目標的因素很多，這些因素是自變量，通常也稱為特征變量， 指的是生產(chǎn)條件下所包括的一系列工藝參數(shù)。調(diào)優(yōu)目標是應變量，稱為目標變量，指 的是生產(chǎn)效果，包括質(zhì)量指標、生產(chǎn)率和成本等。 設特征變量有k 個，將每一樣本視為k 維特征，空間中的點稱為樣本點，按目標 西安建筑科技大學碩士論文 劃分每一樣本的類別屬性，要求樣本數(shù)n 3 k 。 當k 3 時，人們對高維空間缺乏感性認識，無法判斷樣本所處于的區(qū)域。模式識 別通過映射的方法，將高維空間中的樣本點，映射到二維平面上，以得到較好的分類 映射圖。如果不同類別的樣本分別占據(jù)映射圖上的不同區(qū)域，或有分類趨勢，則就可( 可 通過目測) 找出優(yōu)類樣本占據(jù)的區(qū)域或優(yōu)化方向，然后再復原到特征空間，得到能使目 標更優(yōu)的特征變量值，亦即優(yōu)化的工藝參數(shù)。實施這些優(yōu)化的工藝參數(shù)，使生產(chǎn)過程 達到最佳。 模式識別一人工神經(jīng)網(wǎng)絡工業(yè)調(diào)優(yōu)的步驟為： a 采集樣本確定優(yōu)化目標和影響優(yōu)化目標的工藝參數(shù)，著手收集生產(chǎn)數(shù)據(jù)，構 成原始訓練樣本集。 b 數(shù)據(jù)預處理用各種方法對原始數(shù)據(jù)濾波，去掉含噪音的樣本，選取特征變量， 對訓練樣本集進行數(shù)據(jù)標準化。 由于原始樣本集的變量量綱不同，不同變量數(shù)據(jù)大小差別很大；同時，數(shù)據(jù)分布 范圍也不一樣。數(shù)據(jù)平均值和方差不一樣，會導致夸大某些變量影響目標的作用，掩 蓋某些變量的貢獻，不能有效地進行統(tǒng)計處理。因此，必須對原始數(shù)據(jù)進行標準化處 理。 設有一樣本集，含有m 個變量，n 個樣本，t 個連續(xù)目標量。樣本集用自變量矩陣 x ( n x m ) 和目標矩陣y ( n x t ) 表示嘲： = 學 ( 2 刊 式中x t ，等號左邊的x j j 是經(jīng)標準化的第i 樣本的第j 個變量的數(shù)據(jù)， 等號右邊x ，系原始變量； m j 、s ，分別是第j 個變量的算術平均值和標準( 偏) 差。 由于生產(chǎn)上的隨機波動和人為因素，生產(chǎn)記錄難免夾雜著失真信號，記錄提供的 不都是真實數(shù)據(jù)。這里說的真實數(shù)據(jù)，只是個理想概念。在優(yōu)化工作中，如所使用的 設備不變，系統(tǒng)誤差穩(wěn)定，在同樣的客觀狀態(tài)下能夠重復測得相近的數(shù)據(jù)，就可以認 為該數(shù)據(jù)是真實數(shù)據(jù)；反之，測得的數(shù)據(jù)屬于噪音。在統(tǒng)計方法中須采用類型隸屬度 排除噪音樣本。 c 空間變換嘗試不同的數(shù)學方法( 如將在后面介紹的p c a ( p r i m a r y c h a r a c t e r i s t i c s a n a l y s i s ) 、p l s ( p a r t i a l l e a s t s q u a r e s ) 和o o p ( o p t i m l d i s c r i m i n a t i o n p l a n ) 等方 = 豹，對以類為目標的訓練樣本集進行空間變換，確定可將 樣本按類基本分開的低維子空間，該低維子空間常常是可視的二維映照圖。 d 尋找優(yōu)化方向應用共享k 近鄰法求近鄰加權的類中心，通過兩類中心對應的 西安建筑科技大學碩士論文 工藝參數(shù)，報告當前優(yōu)化方向，即指出為使生產(chǎn)優(yōu)化應如何調(diào)節(jié)工藝參數(shù)，哪些工藝 參數(shù)是當前優(yōu)化的主要因素等。 。用自平衡人工神經(jīng)網(wǎng)絡反傳算法獲特征變量和目標的關系( 該關系由網(wǎng)絡表 達) 借助該網(wǎng)絡預報上面獲得的類中心對應的工藝參數(shù)可能具有的具體目標值；檢驗 它們的可靠程度，決定取舍。 經(jīng)過一段時間生產(chǎn)，可在更高水平上進行新一輪優(yōu)化。 2 3 模式識別方法 按不同的數(shù)學原理，有以下三類映射方法： f 簡單映射 a 不含目標映射 主成分分析( p c a ) l 非線性映射( n l m ) n 含目標黼息的喇 羹揣裂季熹翟 c 含目標連續(xù)變量信息的映射：偏最小二乘法( p l s ) 由此可見，模式識別的方法很多，本文主要介紹模式識別常用三種方法的原理及 其建模方法，即主成分分析法( p c a ) 、最優(yōu)判別平面法( o d p ) 和最小二乘法( p l s ) 。并根 據(jù)它們各自的算法，基于i a t l a b 編程語言平臺開發(fā)相應的模式識別程序。為了清楚起 見，下面將這三種方法的概念和基本思想作一簡要介紹。 & 主成分分析法的概念和基本思想主成分分析法概念首先由k a r lp a r s o n 在 1 9 0 1 年引進，不過當時只是對非隨機變量來討論。1 9 3 3 年h o t e l l i n g 將這個概念推廣 到隨機變量。 實際問題中，經(jīng)常遇到研究多指標( 變量) 問題，然而多數(shù)情況下，不同指標之間 有一定的相關性。由于指標較多，再加上指標之間有一定的相關性，勢必增加了分析 問題的復雜性。主成分分析就是設法將原來指標重新組合成一組新的互相無關的幾個 綜合指標來代替原來指標，同時根據(jù)需要從中取幾個較少的綜合指標盡可能多地反映 原來指標的信總。這種將多個指標化為少數(shù)互相無關的綜合指標的統(tǒng)計方法叫做主成 分分析法。 通常數(shù)學上的處理就是將原來p 個指標作線性組合，作為新的綜合指標，但是這 i o 西安建筑科技大學碩士論文 種線性組合，如果不加限制，則可以有很多。選取的方法如下： 如果將選取的第一個線性組合即第一個綜合指標記為r ，自然希望f 。盡可能多的 反映原來指標的信息，這里。信息袋達方法最經(jīng)典的就是用r 的方差來表達，即v a t ( f ) 越大，表示f 包含的信息越多。因此在所有的線性組合中所選取的f 。應該是方差最大 的，故稱f 。為第一主成分。如果第一主成分不是代表原來p 個指標的信息，再考慮選 取f 。即選第二個線性組合，為了有效地反映原來信息，f 。已有的信息就不需要再出 現(xiàn)在f 2 中，用數(shù)學語言表達就是要求c o y ( f ，f 2 ) = 0 ，稱f 2 為第二主成分，依此類推 可以選出第三，第四，第p 個主成分。 不難想像這些主成分之間不僅不相關，而且它們的方差依次遞減。因此實際工作 中，就挑選前幾個最大的主成分，雖然這樣做會損失一部分信息，但是由于抓住了主 要矛盾，并從原始數(shù)據(jù)中進一步提取了某些新的信息，因而在某些實際問題的研究中 得益比損失大，這種既減少了變量的數(shù)目又抓住了主要矛盾的做法有利于問題的分析 和處理。 b 主成分分析法的數(shù)等鏃型設有f 1 個樣本，每個樣本觀測p 項指標( 變量) 幽， x ：，x 。，得到原始數(shù)據(jù)矩陣為： 其中 x = x ，= x l i x 2 i = k ，j ：，。) i = l ，2 ，p ( 2 2 ) ( 2 3 ) 用數(shù)據(jù)矩陣x 的p 個向量( 即p 個指標向量) x 。，) 0 作線性組合( 即綜合指標向量) 為： e = a l l 一+ d 1 2 j 2 + e = a 2 1 j l + 口2 2 j ，2 + f p 2 a ip x i + a 2 p x 2 + + 口”x p 簡寫成： 曩2 口l f 五十吧f 五+ + 口4i = 1 ，2 ，p 墮窒堡簍型墊奎堂堡主笙壅 一一 _ _ _ _ 一一一 注：這里x ，是n 維向量，所以f ；也是n 維向量。 上述方程組要求； 口1 2 + 口2 。2 + + 口m 2 = 1 i = 1 ，2 , - - - , p ( 2 - 6 ) 且系數(shù)a 。，由下列原則決定： ( 1 ) f 。與f j ( i j ，i ，j = 1 ，p ) 不相關； ( 2 ) f 。是x l i ”，鄯的切線性組合( 系數(shù)滿足e 述方程組) 中方差最大的，f 2 是與 f 不相關的x i ，”，x ，的一切線性組合中方差最大的。 上述要求的方程組中每個方程式中的系數(shù)向量( a ，a 2 i ，a p t ) ，i = 1 ，p 恰好是 x 的協(xié)方差陣的特征值所對應的特征向量，也就是說，數(shù)學上可以證明使v a r ( f 一) 達到 最大，這個最大值是在x 的協(xié)方差陣的第一個特征值所對應特征向量處達到。依此類 推使v a r ( f 0 ) 達到最大值是在x 的協(xié)方差陣的第p 個特征值所對應特征向量處達到。關 于主成分分析法的詳細推導過程參考文獻餾1 。 兩點說明： ( 1 ) 數(shù)學模型中作線性組合的原因： 1 ) 數(shù)學上容易處理；2 ) 在實踐中效果很好。 ( 2 ) 每次主成分的選取時v a r ( f 。) 最大，如果不加限制就可使v a r ( f 。) _ 一，則 無意義，而常用的限制是要求 q 1 2 + 口2 j 2 + + 口。，2 = ii = l ，2 ，p c 主成分的幾何意義從代數(shù)學觀點看主成分就是p 個變量x l “，墨的一些特殊 的線性組合，而在幾何上這些線性組合正是把x j ，“，) 0 構成的坐標系旋轉(zhuǎn)產(chǎn)生的新坐 標系，新坐標軸使之通過樣品變差最大的方向( 或說具有最大的樣品方差) 。 d 主成分的性質(zhì)( 1 ) 主成分矢量是原始樣本向離差最大的方向投影的軸，因此， 選擇若干特征值大的主成分構成的子空間，可提取最能表現(xiàn)樣本差異性質(zhì)的信息作為 新的變量，即提取出有效的特征變量：( 2 ) 主成分相互正交，樣本主成分矢量兩兩正交， 因此，用主成分矢量作為新的特征變量，信號不會重疊，這樣可以用少于原始變量數(shù) 目的新變量更穩(wěn)定地描述變量和目標的關系。 e 主成分的貢獻率主成分主要應用于對高維空間進行降維，將多因素問題變換 為少因素問題，減少問題的復雜性。既然是降維，必然要損失部分信息。如果所損失 的信息恰好是樣本的噪音，那是最理想的，然而理論上這是無法預測的。由于主成分 矢量p 是由原始工藝參數(shù)線性組合而成，各主成分所含的原始工藝參數(shù)的信息不一樣。 為此，引入一個主成分的貢獻率來衡量主成分所包含的信息量。 定義主成分t 。對系統(tǒng)信息的貢獻率蹴1 為： 西安建筑科技大學碩士論文 “i - j l ( 2 7 ) y 乃 i = 1 式中，一代表第，個特征向量的貢獻率： 旯，一代表第，個特征值。 這里應用了主成分矢量的特征值，特征值大小反映了對應的主成分樣本的離差程 度，所以用它定義貢獻率可以表現(xiàn)樣本差異的信息。 從統(tǒng)計觀點考慮，降維后，構成低維空間的i l l 個主成分對應的貢獻率之和應滿足： o 7 5 ( 2 - 8 ) 在主成分分析法中正是通過各成分的貢獻率來選擇作為原始樣本投影空間的成分。 偏最d , - 乘回歸分析提出了采用成分提取的方法。在主成分分析中，對于單張數(shù) 據(jù)表x ，為了找到能最好地概括原數(shù)據(jù)信息的綜合變量，在x 中提取了第一主成分f 。， 使得f 。中所包含的原數(shù)據(jù)變異信息可達到最大，即 v a l ( f 1 ) 專l a ) 【 f l f i = i g i g l = l 在能夠達到相關度最大的綜合變量f 和g 。之間，如果存在明顯的相關關系，則可 以認為，在兩個數(shù)據(jù)表間亦存在相關關系。 & 偏最小二乘法的建模方法設有q 個因變量( y 。，y 。l 和p 個自變量 x 。， x 。 ，為了研究因變量與自變量的統(tǒng)計關系，觀測了n 個樣本點，由此構成了自變量與 因變量的數(shù)據(jù)表： x = x ，) 【p 。和y = y 。，y j 。 偏最小二乘回歸分另h 在x 與y 中提取出成分t l 和u 。( 也就是說，t 是x 。， 的線性組合，u l 是y ，y 。的線性組合) 。在提取這兩個成分時，為了回歸分析的需 要，有下列兩個要求： ( 1 ) t 和u - 應盡可能大地攜帶它們各自數(shù)據(jù)表中的變異信息； ( 2 ) t - 和u - 的相關程度能夠達到最大。 這兩個要求表明，t 和u 應盡可能好地代表數(shù)據(jù)表x 和y ，同時自變量的成分t 。 對因變量的成分u 又有最強的解釋能力。 弦 m 閂 西安建筑科技大學碩士論文 在第一個成分t 。和u 。被提取后，偏最小二乘法分別實施x 對t - 的回歸以及y 對 t 。的回歸。如果回歸方程已經(jīng)達到滿意的精度，則算法終止；否則，將利用x 被t - 解 釋后的殘余信息以及y 被t 。解釋后的殘余信息進行第二輪的成分提取。如此往復，直 到能達到一個較滿意的精度為止。若最終對x 共提取了1 1 1 個成分t ”，t ，偏最小 二乘回歸將通過施行y 。對t ，t 。的回歸，然后再表達成y k 關于原變量x t ，粕 的回歸方程，k = l ，2 ，q 。 b 偏最小二乘法算法的思路設x 是樣本集，y 是目標集。首先將數(shù)據(jù)做標準化 處理。 x 經(jīng)標準化處理后的數(shù)據(jù)矩陣記為： & = ( e o ，e ) 。x ， y 經(jīng)標準化處理后的數(shù)據(jù)矩陣記為： f 0 = ( f 0 ”，k ) m 。 記t t 是氏的第一個成分，t = e 帆，w - 是的第一個軸，它是一個單位向量，即礦1 0 = l 。 記u 一是f o 的第一個成分，u t = f - ，c - 是f 0 的第一個軸，并且l i c 8 = l 。 如果要t 。和u 能分別很好地代表x 與y 中的數(shù)據(jù)變異信息，根據(jù)主成分分析原理， 應該有： v a r ( t 1 ) ji i i a x v a r ( u i ) m a ) 另一方面，由于回歸建模的需要，又要求t 。與u 的相關度應達到最大值，即： r ( t l ，u 1 ) m a x 因此，綜合起來，在偏最d , - - 乘回歸中，我們要求t 。與u 。的協(xié)方差達到最大，即： c o y ( t i ，u 1 ) = v 呱t 1 ) v a r ( u 1 ) r ( t l ，u 1 ) 瞰 ( 2 - g ) 正規(guī)的數(shù)學表達應該是求解下列優(yōu)化問題，即： 即在8 矽1 0k 1 和l c l o k l 的約束條件下，去求( 1 r 。e o f w 。) 的最大值。 偏最小二乘法的思路是在因變量f o 中抽取個成分u l = f 矗，同時，在自變量& 中抽取 1 4 西安建筑科技大學碩士論文 一個成分t fe d w l ，成分抽取的原則是： m a x = m a x ( n 一1 ) c o y ( f o c l ，e o w - ) 雌阽 ( 2 - 1 0 ) 在這個原則下得知w 。，c ，t 。，u 的計算方法如下： ( 1 ) w 是對應于矩陣b f o f 0 民最大特征值的特征向量，成分t = e m ： ( 2 ) c 。是對應于矩陣f 0 & & f 0 最大特征值的特征向量，成分l i t = f o c 。 在求得成分t - ，u - 以后，分別實施e 。在t 。上的回歸，并生成殘差矩陣e 。，以及f 0 在t ，上的回歸，得到殘差矩陣f i 。再以e 。，f i 取代& ，f o ，進行第二輪成分t ：和u 。的 提取計算，依此類推。關于偏最小二乘法的詳細推導過程請參見文獻。 c 偏最小二乘法的算法總結設i 是樣本集，y 是目標集。首先將數(shù)據(jù)做標準化 處理。 x 經(jīng)標準化處理后的數(shù)據(jù)矩陣記為： e o - - ( e o ，艮) 。 y 經(jīng)標準化處理后的數(shù)據(jù)矩陣記為： f o = ( f o ，咐m(xù) 。 偏最小二乘法的算法步驟如下： ( 1 ) 求矩陣r f o e 。最大特征值所對應的特征向量w l ，求成分“得 t 1 = e ow l e = e o t l p 式中 臚靜 求矩陣e 。r r e 。最大特征值所對應的特征向量w 2 ，求成分r ：得 f 2 = e lw 2 e 22 e l f 2 p 2 上式中 臚靜 依此類推 至第m 步，求成分f 。= 甌。，w m 是矩陣厶一r r 。點0 一，最大特征值所對應的特 西安建筑科技大學碩士論文 2 3 3 最優(yōu)判別平面法( 0 d p ) 最優(yōu)判別平面法是屬于判別分析的范疇。判別分析的特點是根據(jù)已掌握的和歷史 上每個類別的若干樣本的數(shù)據(jù)信息，總結出客觀事物分類的規(guī)律性，建立判別公式和 判別式：c py = c t x l + c 2 x 2 + + c p 工p ，其中系數(shù)c l ，c 2 ，c p 確定的原則是使兩組 b 最優(yōu)判別平面法最優(yōu)判別平面法是導出兩個判別矢量，使訓練樣本中兩類 最優(yōu)判別平面法假設訓練樣本有c 個類別，這c 個相互獨立的數(shù)據(jù)集為z ：，其中 i = l ，2 ，c ，第f 類中的某個矢量z = b ， 2 ，記為石墨，確定一個 y = r 7 x = 喜 x = 量 定義一判別準則r “”，它是類間差別投影與類內(nèi)投影總和的比值，即 胄：黑(2-11)pw p l 式中p = p l ，p ， 為所求的判別矢量，占為類間散布矩陣，矽為類內(nèi)散布矩 1 6 西安建筑科技大學碩士論文 散布矩陣的定義如下： a ：一p r b p ( 2 1 2 ) p lw p = 【x m ，】【x 一r x e x t w = f = l ( 2 1 3 ) ( 2 - 1 4 ) 式中c 為類別數(shù)；m 為第f 類的樣本數(shù)；m i = m n ，棚自 7 為第f 類的平均矢量 m = m 力， 7 為全部樣本集的平均矢量 為了求得判別矢量p 的最佳值，使式( 2 1 0 ) 中比值r 對p 求導數(shù)并令其結果為 零，即： 塑o p = 旦a p 【絲p r w p 】-ij 上式化簡后并令 。p 7 b p 2 p t w p = 0 ( 2 - 1 5 ) 可得特征方程式【b - a w p = 0 上式的解在于求解下列特征方程l b - u q = o 相對于每一個非零的特征值丑，都有一個特征向量只，使得 【b - w 】霉= 0 ( 2 1 6 ) ( 2 1 7 ) 由于口為c 個秩數(shù)最多為1 的矩陣總和，這些矩陣僅有c l 是獨立的，故占的秩 數(shù)最多為c 一1 。這樣陋一旯叫= o 的特征方程僅有c 一1 個非零的特征值。這些特征值稱 為判別值，與其對應的各特征向量即為所求的判別矢量。 在進行交互模式識別中，為便于觀察分析，常選擇具有最大判別值的判別矢量日 和b 形成判別平面。其最佳映射為 y