基于GMM-KNN-LSTM的烧结矿化学指标预测

TF046; 针对烧结矿化学指标检测频率低导致无标签样本无法被机器学习利用的问题,提出了一种充分利用样本中有用信息的烧结矿化学指标预测模型.首先,结合高斯混合模型(GMM)和K-近邻(KNN)算法,将无标签样本转化为有标签样本,然后与长短期记忆(LSTM)单元相结合,用于预测烧结矿的总铁质量分数、FeO质量分数和碱度3个化学指标.通过与反向传播神经网络(BPNN)、循环神经网络(RNN)和LSTM三种模型对比,结果表明所建模型具有较低的预测误差.总铁质量分数和FeO质量分数的预测命中率在允许误差±0.5%内时分别达到98.73%和95.33%,碱度的预测命中率在允许误差±0.05内为98.13...

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 45; no. 3; pp. 314 - 322
Main Authors 閤光磊, 吴朝霞, 刘梦园, 姜玉山
Format Journal Article
LanguageChinese
Published 东北大学秦皇岛分校 控制工程学院,河北 秦皇岛 066004%东北大学秦皇岛分校 数学与统计学院,河北 秦皇岛 066004 15.03.2024
Subjects
chemical indexes of sinter
data preprocessing
无标签样本处理算法
数据预处理
LSTM
prediction model
烧结矿化学指标
unlabeled samples processing algorithm
LSTM(long short-term memory)
预测模型
Online AccessGet full text
ISSN1005-3026
DOI10.12068/j.issn.1005-3026.2024.03.002

Cover

More Information
Summary:TF046; 针对烧结矿化学指标检测频率低导致无标签样本无法被机器学习利用的问题,提出了一种充分利用样本中有用信息的烧结矿化学指标预测模型.首先,结合高斯混合模型(GMM)和K-近邻(KNN)算法,将无标签样本转化为有标签样本,然后与长短期记忆(LSTM)单元相结合,用于预测烧结矿的总铁质量分数、FeO质量分数和碱度3个化学指标.通过与反向传播神经网络(BPNN)、循环神经网络(RNN)和LSTM三种模型对比,结果表明所建模型具有较低的预测误差.总铁质量分数和FeO质量分数的预测命中率在允许误差±0.5%内时分别达到98.73%和95.33%,碱度的预测命中率在允许误差±0.05内为98.13%,展现了较高的预测精度.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2024.03.002