基于范数优化极限学习机的矿浆浓度预测

王欢¹，姜昌伟^2,3，徐鑫¹，孙为平¹，鲁鹏云¹，张德政^2,3

1. 鞍钢集团矿业公司2. 北京科技大学计算机与通信工程学院3. 材料领域知识工程北京市重点实验室

摘 要：选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于极限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的极限学习机算法（ELM-L2）建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。

关键词：极限学习机;相空间重构;矿浆浓度;预测;