基于PCA-DBN的热连轧数据特征提取
来源期刊：冶金自动化2020年第3期
论文作者：武凯 刘新忠 张笑雄 苗宇
文章页码：21 - 25
关键词：热连轧;特征提取;主成分分析;深度置信网络;最小二乘支持向量机;
摘 要：在热连轧生产过程中会产生大量的数据,使用这些海量数据进行诊断和预报非常困难,运算时间较长,甚至会导致"维度灾难"。因此,需要对特征进行提取,去除冗余和不相关的特征。提出基于主成分分析-深度置信网络（principal component analysis-deep belief network,简称PCA-DBN）的热连轧数据特征提取,采用主成分分析（principal component analysis,简称PCA）对数据集进行特征提取,并将选择出的特征按照贡献率可视化,直观显示提取的特征。二次特征提取采用深度置信网络（deep belief network,简称DBN）对已提取数据集进行二次特征提取。将最终得到的数据集作为粒子群优化的最小二乘支持向量机（particle swarm optimization-least squares support vector machine,简称PSO-LSSVM）对精轧轧制力进行预报的数据集,以检验特征提取的合理性。试验显示,预报相对误差要小于机理模型预报相对误差,说明提取特征比较合理。
武凯1,2，刘新忠1，张笑雄2，苗宇3
1. 北京金自天正智能控制股份有限公司轧钢事业部2. 冶金自动化研究设计院3. 北京交通大学电子信息工程学院
摘 要：在热连轧生产过程中会产生大量的数据,使用这些海量数据进行诊断和预报非常困难,运算时间较长,甚至会导致"维度灾难"。因此,需要对特征进行提取,去除冗余和不相关的特征。提出基于主成分分析-深度置信网络（principal component analysis-deep belief network,简称PCA-DBN）的热连轧数据特征提取,采用主成分分析（principal component analysis,简称PCA）对数据集进行特征提取,并将选择出的特征按照贡献率可视化,直观显示提取的特征。二次特征提取采用深度置信网络（deep belief network,简称DBN）对已提取数据集进行二次特征提取。将最终得到的数据集作为粒子群优化的最小二乘支持向量机（particle swarm optimization-least squares support vector machine,简称PSO-LSSVM）对精轧轧制力进行预报的数据集,以检验特征提取的合理性。试验显示,预报相对误差要小于机理模型预报相对误差,说明提取特征比较合理。
关键词：热连轧;特征提取;主成分分析;深度置信网络;最小二乘支持向量机;
