基于GMM-KNN-LSTM的烧结矿化学指标预测
Prediction of Sinter Chemical Indexes Based on GMM KNN-LSTM作者机构: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
出 版 物:《东北大学学报(自然科学版)》 (Journal of Northeastern University(Natural Science))
年 卷 期:2024年第45卷第3期
页 面:314-322页
核心收录:
学科分类:0831[工学-生物医学工程(可授工学、理学、医学学位)] 1002[医学-临床医学] 08[工学] 0806[工学-冶金工程] 0805[工学-材料科学与工程(可授工学、理学学位)] 080601[工学-冶金物理化学] 0714[理学-统计学(可授理学、经济学学位)] 0701[理学-数学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:烧结矿化学指标 预测模型 无标签样本处理算法 LSTM 数据预处理
摘 要: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.