M25预测值 实验5
M25预测值 123-4 极大值极小值之差 16.20 8.05 8.78 8.50 9.12 8.05 相关系数 0.49 0.49 0.54 0.74 0.71 124-3 极大值极小值之差 16.20 8.03 8.90 8.36 8.30 8.06 相关系数 0.47 0.50 0.51 0.78 0.72 134-2 极大值极小值之差 15.10 9.31 9.11 9.13 9.79 9.59 相关系数 0.55 0.56 0.58 0.75 0.76 234-1 极大值极小值之差 15.90 8.46 8.99 8.52 8.07 8.90 相关系数 0.49 0.53 0.57 0.74 0.77 实验结果分析:
(1)由图1、2可见,训练样本集和测试样本集的预测结果交织在一起,两类样本集的预测误差相当,甚至个别预测误差较大的点是支持向量机训练过的样本点,说明基于支持向量机的预测模型对于训练样本以外的预测效果也很稳定,SVM模型的泛化性能好。
(2)由图1、2可见,对于M25和M10,出现较大预测误差的点都发生在两端极值范围内,这与样本的分布有关,本文用的样本集是实际生产的日报,数据主要集中在85≤M25≤90,6≤M10≤12范围,分布在两端极值区域的样本点的比较少,导致SVM训练不充分,补充一定样本后,预测效果应会加强。
(3)由表1、2的实验一、二、三的结果对比可见,选对结焦性起决定性作用的两种指——标挥发分和粘结指数作为支持向量机的输入是不够,6种配合煤的指标全部作为支持向量机的输入量时,所建立模型的预测效果最好。配合煤煤质的6个指标综合了更多对结焦影响的因素,所含有的信息多,把它们作为支持向量机建模方法的特征参数是合理有效的。
(4)表1、2中,对比实验二、四和实验三、五,再加入2种炼焦工艺参数特征后,支持向量机模型预测M25和M10的结果与之前没太大变化,说明2中炼焦工艺指标可以不作为支持向量机的输入量。可能由于工艺条件相对稳定,对焦炭质量的影响没有体现出来。
(5)由表1、2可以看出在不同的训练及测试样本集下, M25和M10预测值的极差都小于它们实际值的极差,说明支持向量机方法预测值的范围缩小了,预测值集中在样本量大的区域范围里。
(6)表1、2中,同一个实验,所选训练及测试样本集不同得到的结果却近似,说明生产日报数据可以满足支持向量机对样本集的要求,可以作为支持向量机机械强度模型的训练样本。
3结论
在工艺条件相对稳定情况下,选择配合煤的灰分、全硫、水分、细度、挥发份(Vdaf)和粘结指数(G)作为特征因素,建立基于支持向量机的焦炭机械强度预测模型,模型的预测误差小,相关性好,泛化能力强,满足工厂的实际需要。本文方法是建立焦炭机械强度预测模型的有效方法,对于焦炭其它指标如热强度的预测及焦化企业情况复杂的配合煤指标的预测可提供参考借鉴作用。
参考文献
【1】《炼焦生产新工艺、新技术与焦炭质量分析测试实用手册》[M],主编:徐邦学,吉林音像出版社,2005年9月
【2】 Vapnik V N.An overview of statistical learning theory,neural networks.IEEE Transactions on Neural Networks1999,10(5):988~999
【3】Nello Cristianini,John Shawe-Taylor著.支持向量机导论[M].李国正,王猛,曾华军等译.北京:电子工业出版社,2005
【4】邓乃扬,田英杰著.数据挖掘中的新方法——支持向量机[M].北京:科学出版社,2004