【出 处】：《 计算机仿真 》 CSCD 2013年第30卷第10期 354-357页,共4页

【作 者】： 崔桂梅 ; 孙彤 ; 张勇

【摘 要】 关于铁水温度控制模型的优化设计问题，由于炉温变化为非线性的，采用传统的神经网络方法存在因素漏选、训练速度慢、预测精度低等问题。为解决上述问题，提出一种主成分分析（PCA）和最小二乘支持向量机（LS—SVM）的铁水温度时间序列预测方法。改进的方法首先对影响铁水温度变化因素的数据做主成分分析，求取主成分作为模型的输入变量，其次建立最小二乘支持向量机时间序列预测模型，并用粒子群算法优化模型参数，最后预测输出。采用某钢厂大型高炉的在线采集数据作为应用案例，建立改进方法的预测模型。相比小波神经网络时间序列预测模型，改进方法不仅可以考虑所有因素对铁水温度变化的影响，还具有训练时间短、预测精度高等优点。仿真证实了改进方法的有效性。