(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111672099.6 (22)申请日 2021.12.31 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 王耀祖　张建良　贺威　刘征建　 马云飞　孙庆科　 (74)专利代理 机构 武汉卓越志诚知识产权代理 事务所 (特殊普通合伙) 42266 代理人 董梦娟 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/02(2006.01) G06N 3/08(2006.01) (54)发明名称 基于宽度学习的烧结矿质量预测方法 (57)摘要 本发明提供了一种基于宽度学习的烧结矿 质量预测方法， 通过对历史数据预处理和关联性 分析， 确定与预测指标相关度高的多个因素， 将 其输入改进的宽度学习神经网络进行训练， 利用 矩阵伪逆的方式得到最优权值和偏 置， 并对其进 行准确率测试， 未达到期望值时可增加神经网络 的宽度， 在现有模型的基础上进行训练， 直至得 到最优的烧 结矿质量预测模型。 本发 明还可以通 过增量学习的方式添加新增数据， 在历史数据的 模型基础上进行训练， 保证模型的及时更新。 该 方法利用历史数据和新增数据相结合的方式， 提 高了模型的训练速度， 实现了模 型的快速构建和 实时更新， 从而准确快速地对烧 结矿性能和质量 预测， 为指导烧 结矿的生产和优化烧 结工艺提供 了新的思路和方法。 权利要求书2页 说明书8页 附图5页 CN 114330137 A 2022.04.12 CN 114330137 A 1.一种基于 宽度学习的烧结矿质量预测方法， 其特 征在于， 包括以下步骤： S1、 数据预处 理 获取烧结矿生产中的历史数据， 去 除所述历史数据中的大噪声和重复性数据； 并对数 据进行归一 化处理， 得到预处 理后的数据； S2、 确定输入参数 对步骤S1得到的所述预处理后的数据和预测指标进行关联性分析， 并筛选出与所述预 测指标相关度高的m个因素作为输入参数； S3、 建立烧结矿质量预测模型 S31、 对宽度学习神经网络进行改进， 以减少神经网络的过拟合； S32、 超参数初始化设置， 设置增强节点或特征节点的组数， 并设置每组的节点数； 将与 预测指标相关度高的因素 的数据作为输入参数， 输入至所述宽度学习神经网络进行训练， 输出参数为所述预测指标的相关数据； S33、 利用矩阵伪逆的方式求得所述宽度学习神经网络的最优偏置和权值； 用测试集进 行测试， 计算准确率， 并与预设的期望准确值进行比较； 其大于预设的期望值时， 即得到最 优宽度学习的模型； 其小于预设期望值时， 则增加神经网络的宽度， 并通过岭回归算法利用 前次模型的计算结果重新计算伪逆矩阵， 直至得到最优的基于宽度学习的烧结矿质量预测 模型； S4、 烧结矿性能预测 将待检测的数据进行归一化处理， 输入所述烧结矿质量预测模型， 输出参数经过反归 一化， 得到预测结果。 2.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 该方法还 可以通过增量学习的方式来添加新增数据， 在历史数据的模型基础上利用所述岭回归算法 进行训练， 以对所述烧结矿质量预测模型进行 更新。 3.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 在步骤 S33中， 增加神经网络的宽度的方法包括增加特征节 点的组数、 增加增强节 点的组数或同时 增加特征节点和 增点节点的组数。 4.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 在步骤 S33中， 利用矩阵伪逆的方式求得所述宽度学习神经网络的最优偏置和权值的方法， 包括以 下步骤： S1、 通过稀疏自编码器设置输入参数到映射节点的权值和偏置， 并随机生成特征节点 到增强节点的权值和偏置； S2、 将特征节点和增 强节点按矩阵的列进行矩阵拼接得到矩阵H， 计算所述矩阵H的伪 逆矩阵T； S3、 将所述伪逆矩阵T与数据的标签相乘， 即得输出节点 最优的偏置和权值。 5.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 在步骤S2 中， 筛选出与所述预测指标相关度高的因素的标准为将不同因素的关联度进 行由大到小排 列后， 选取序列前m个关联度表征的因素作为与所述预测指标相关度高的因素， 其中m的个 数按用户需求设置 。 6.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 在步骤权　利　要　求　书 1/2 页 2 CN 114330137 A 2S31中， 对所述宽度学习神经网络进行改进的方法包括随机添加dropout层的算法， 对所述 宽度学习神经网络的中间层和输入层的节点进行随机失活。 7.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 在步骤S2 中， 所述关联性分析的方法为灰色 关联度分析法或主成分 分析算法。 8.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 在步骤S1 中， 所述归一 化处理的公式包括mi n‑max标准化公式或Z ‑score标准化公式。 9.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 在步骤 S32中， 所述增强节点或特 征节点的组数和每组的节点数根据用户需求设置 。 10.根据权利要求1所述的基于宽度学习的烧结矿质量预测方法， 其特征在于， 所述烧 结矿质量预测模型还可用于冶金生产其 他领域， 包括球团矿或焦炭的性能指标 预测。权　利　要　求　书 2/2 页 3 CN 114330137 A 3