方一鳴　胡春洋　劉　樂　張興明

1.燕山大學(xué)工業(yè)計(jì)算機(jī)控制工程河北省重點(diǎn)實(shí)驗(yàn)室, 秦皇島，0660042.國家冷軋板帶裝備及工藝工程技術(shù)研究中心, 秦皇島，0660043. 清華大學(xué)天津高端裝備研究院，天津，300300

?

基于主動(dòng)學(xué)習(xí)GA-SVM分類器的連鑄漏鋼預(yù)報(bào)

方一鳴1,2胡春洋1劉樂1張興明3

1.燕山大學(xué)工業(yè)計(jì)算機(jī)控制工程河北省重點(diǎn)實(shí)驗(yàn)室, 秦皇島，0660042.國家冷軋板帶裝備及工藝工程技術(shù)研究中心, 秦皇島，0660043. 清華大學(xué)天津高端裝備研究院，天津，300300

摘要：針對在小樣本數(shù)據(jù)情況下訓(xùn)練的連鑄漏鋼預(yù)報(bào)模型難以獲得較高預(yù)報(bào)準(zhǔn)確率的問題，提出了一種基于主動(dòng)學(xué)習(xí)遺傳算法-支持向量機(jī)(GA-SVM)分類器的漏鋼預(yù)報(bào)算法。該算法首先將采集到的連鑄結(jié)晶器坯殼溫度數(shù)據(jù)進(jìn)行預(yù)處理，并將有效數(shù)據(jù)進(jìn)行標(biāo)注；然后利用標(biāo)注后的小樣本數(shù)據(jù)和遺傳算法來優(yōu)化SVM的經(jīng)驗(yàn)參數(shù)，訓(xùn)練并得到支持向量機(jī)模型；最后利用某鋼廠采集到的連鑄結(jié)晶器坯殼溫度數(shù)據(jù)進(jìn)行測試。測試結(jié)果表明，在利用小樣本數(shù)據(jù)進(jìn)行訓(xùn)練的情況下，所提出的基于主動(dòng)學(xué)習(xí)GA-SVM分類器的連鑄漏鋼預(yù)報(bào)算法具有較高的漏鋼預(yù)報(bào)率(預(yù)報(bào)精度)和100%的漏鋼報(bào)出率，驗(yàn)證了所提漏鋼預(yù)報(bào)算法的有效性。

關(guān)鍵詞：漏鋼預(yù)報(bào)；GA-SVM；主動(dòng)學(xué)習(xí)；小樣本數(shù)據(jù)

0引言

漏鋼是連續(xù)鑄鋼生產(chǎn)過程中最嚴(yán)重的事故之一。為防止漏鋼事故的發(fā)生，國內(nèi)外學(xué)者進(jìn)行了大量漏鋼預(yù)報(bào)算法的研究[1-2]，其中以神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法居多。厲英等[3]提出了采用變步長并加入動(dòng)量項(xiàng)、防振蕩項(xiàng)等方法加快神經(jīng)網(wǎng)絡(luò)收斂速度的BP神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)報(bào)模型。張本國等[4]提出了基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼預(yù)報(bào)算法。這些漏鋼預(yù)報(bào)模型算法的共同特點(diǎn)是在模型使用初期，需要大量的漏鋼數(shù)據(jù)對模型進(jìn)行訓(xùn)練，然而漏鋼在實(shí)際生產(chǎn)中是必須要盡力避免的，所以很難獲取大量的漏鋼數(shù)據(jù)，不利于模型的學(xué)習(xí)。

支持向量機(jī)(supportvectormachine,SVM)是建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化的基礎(chǔ)上的[5]。與神經(jīng)網(wǎng)絡(luò)方法相比，該算法可最終轉(zhuǎn)化成一個(gè)二次型尋優(yōu)問題，理論上得到的是全局最優(yōu)點(diǎn)，且不存在局部極小值問題，被認(rèn)為是針對小樣本統(tǒng)計(jì)預(yù)測學(xué)習(xí)的最佳理論[6-7]。但目前對SVM算法參數(shù)的選擇尚缺乏成熟的理論依據(jù)，不同的參數(shù)選擇可能會(huì)對算法的實(shí)際識(shí)別性能和效果產(chǎn)生顯著影響。

基于上述分析，本文以支持向量機(jī)為分類器，首先推導(dǎo)出分類器的數(shù)學(xué)模型，利用遺傳算法對其參數(shù)進(jìn)行優(yōu)化[8]；然后借助主動(dòng)學(xué)習(xí)[9-10]的思想，利用置信度函數(shù)對溫度數(shù)據(jù)進(jìn)行篩選標(biāo)注；最后利用分類器的數(shù)學(xué)模型對標(biāo)注后的黏結(jié)數(shù)據(jù)進(jìn)行識(shí)別，使漏鋼預(yù)報(bào)模型在小樣本數(shù)據(jù)情況下也能獲得較高的預(yù)報(bào)準(zhǔn)確率。

1SVM算法基本原理

SVM方法是基于線性可分情況下的最優(yōu)分類超平面提出的，要求能將兩種類別無錯(cuò)誤地分開，并且使分類間隔最大(圖1)。前者能保證經(jīng)驗(yàn)風(fēng)險(xiǎn)最小，后者能保證實(shí)際風(fēng)險(xiǎn)最小。

圖1　最優(yōu)分類超平面示意圖

d維空間中線性判別函數(shù)的一般形式為g(x)=wx+b，其中，x∈Rd；w∈R1×d，為可調(diào)的權(quán)值向量；b為偏置，決定相對原點(diǎn)的位置。

設(shè)訓(xùn)練樣本輸入為x=xi，i=1,2,…,m，對應(yīng)的期望輸出為y=yi∈{1,-1}，其中1和-1代表兩種分類的類別標(biāo)識(shí)。假定分類面方程為g(x)=wx+b=0，將判別函數(shù)歸一化，如下所示：

(1)

這樣就使得兩個(gè)分類的所有樣本都滿足|g(xi)|≥1，即使得離分離面最近的樣本的|g(xi)|=1，則對所有樣本有下式成立：

(2)

由式(1)可以計(jì)算出分類間隔為

(3)

在約束式(1)的條件下最大化分類間隔2/‖w‖，等價(jià)于使‖w‖/2最小，那么求解最優(yōu)超平面的問題就可以表示成如下的約束問題：

(4)

即在條件式(1)的約束下，求函數(shù)的最小值。

真實(shí)數(shù)據(jù)中噪聲是不可避免的，很多數(shù)據(jù)是線性不可分的。此時(shí)允許某些樣本點(diǎn)被誤分，通過引入非負(fù)的松弛變量ξi來放松約束條件，如下所示：

yi(wxi+b)≥1-ξi

(5)

只有被錯(cuò)誤分類的點(diǎn)對應(yīng)的ξi是非零的。為了解這個(gè)不等式約束下二次型函數(shù)式(3)的極值問題，根據(jù)Karush-Kuhn-Tucker條件[11]，可構(gòu)造如下的Lagrange函數(shù)：

(6)

式中，m為訓(xùn)練樣本數(shù)；αi>0，為Lagrange系數(shù)；C>0，為用戶自定義的懲罰因子，用來調(diào)節(jié)對于輸入樣本被誤分帶來的影響。

分別對w、b、ξ求偏微分，并令其等于0，得到如下結(jié)果：

(7)

(8)

(9)

將式(7)～式(9)代入式(6)中得

(10)

進(jìn)一步可將上述L的極值問題轉(zhuǎn)化為

(11)

(12)

又由Karush-Kuhn-Tucker條件，這個(gè)優(yōu)化問題的解需滿足：

αi[yi(wxi+b)-1+ξi]=0

(13)

設(shè)求得的支持向量的個(gè)數(shù)為s，將式(12)代入式(2)中可以得到如下形式的分類函數(shù)：

(14)

其中，x為待分類樣本。b*為分類閾值，可以由任意一對支持向量取中值求得，即

(15)

通過決策函數(shù)可以將不同類型的輸入數(shù)據(jù)加以識(shí)別，從而輸出不同的結(jié)果，達(dá)到分類的目的。

對于漏鋼預(yù)報(bào)系統(tǒng)，大多數(shù)輸入樣本在輸入空間是線性不可分的，這時(shí)可以通過非線性映射φ(x)將輸入樣本映射到高維特征空間構(gòu)造分類面，則輸入向量線性不可分問題在高維特征空間可以轉(zhuǎn)化為線性可分問題來解決。映射之后得

(16)

引入核函數(shù)K(x,x′)，只要該核函數(shù)滿足Mercer定理[12]，即K(x,x′)=φ(xi)φ(xj)，則可避免φ(x)的直接運(yùn)算。

由于徑向基函數(shù)(RBF)對各種數(shù)據(jù)類型都具有良好的分類效果[13]，所以本文采用RBF核函數(shù)，其函數(shù)的表達(dá)式為

(17)

式中，g為核函數(shù)系數(shù)。

選用RBF核函數(shù)后，求L極值問題可進(jìn)一步表示為

(18)

同時(shí)分類函數(shù)變?yōu)?/p>

(19)

2基于主動(dòng)學(xué)習(xí)GA-SVM的連鑄漏鋼預(yù)報(bào)模型的實(shí)現(xiàn)

2.1連鑄結(jié)晶器坯殼外溫度數(shù)據(jù)歸一化

漏鋼預(yù)報(bào)的實(shí)質(zhì)就是一種動(dòng)態(tài)波形的識(shí)別問題，即從熱電偶檢測到的溫度波形中識(shí)別出符合漏鋼特征的溫度波形，原理示意如圖2所示。

圖2　漏鋼預(yù)報(bào)原理示意圖

在正常澆注過程中，鑄坯坯殼凝固層的厚度自上而下遞增，上排熱電偶溫度高于下排熱電偶溫度，熱電偶所測溫度波動(dòng)也很??；當(dāng)鑄坯與結(jié)晶器發(fā)生黏結(jié)時(shí)，隨結(jié)晶器的振動(dòng)，黏結(jié)部位的坯殼很容易被拉裂，此時(shí)上排熱電偶的溫度會(huì)急劇升高；隨黏結(jié)裂口的繼續(xù)下移，上排熱電偶溫度因坯殼的固化彌合而逐漸下降；同理，當(dāng)裂口到達(dá)下排熱電偶位置時(shí)，也會(huì)發(fā)生溫度先升后降的變化情況。

根據(jù)熱電偶溫度曲線的變化模式，截取圖2所示區(qū)間內(nèi)的溫度采樣值，進(jìn)行歸一化后作為SVM分類器的輸入。根據(jù)某鋼廠提供的漏鋼溫度數(shù)據(jù)，分析發(fā)現(xiàn)，單個(gè)熱電偶的溫度波動(dòng)周期為30 s，熱電偶溫度的采樣周期為1 s，故15個(gè)熱電偶溫度值即可體現(xiàn)一次漏鋼特征的溫度波形，選取相鄰的15個(gè)溫度值作為一個(gè)輸入向量xi，xi∈R15×1；下一組相鄰的15個(gè)溫度值作為另一個(gè)輸入向量xi+1。

為使原始數(shù)據(jù)處于同一區(qū)間內(nèi)，在平等條件下進(jìn)行分析，需對有效數(shù)據(jù)進(jìn)行歸一化處理，處理方式如下：

(20)

2.2引入遺傳算法優(yōu)化SVM模型

在式(18)中，最終的目標(biāo)函數(shù)和約束條件中訓(xùn)練樣本為已知數(shù)據(jù)，只有懲罰因子C和核函數(shù)參數(shù)g需要選擇，并且兩者對SVM分類器的性能有顯著影響，因此需要對C和g進(jìn)行優(yōu)化。

遺傳算法具有隱含的并行性和強(qiáng)大的全局搜索能力，可以在較短的時(shí)間內(nèi)搜索到全局最優(yōu)點(diǎn)。所以本文采用遺傳算法來優(yōu)化這兩個(gè)參數(shù)。

首先對參數(shù)C和g進(jìn)行二進(jìn)制編碼，構(gòu)成圖3所示的染色體。圖3中，Clen、glen分別為對參數(shù)C、g進(jìn)行二進(jìn)制編碼后的二進(jìn)制數(shù)的位數(shù)長度。

圖3　參數(shù)C和g的二進(jìn)制編碼圖

參數(shù)C的變化范圍取為[0.1,100]，參數(shù)g的變化范圍取為[0.01,1000]，兩者的編碼公式為

(21)

式中，bin2dec()為將二進(jìn)制數(shù)轉(zhuǎn)化為十進(jìn)制數(shù)的函數(shù)。

選取十折交叉驗(yàn)證的平均預(yù)測準(zhǔn)確度作為適應(yīng)度函數(shù)。

2.3主動(dòng)學(xué)習(xí)GA-SVM模型的訓(xùn)練

為了提高連鑄漏鋼預(yù)報(bào)模型的預(yù)報(bào)準(zhǔn)確度，本文基于主動(dòng)學(xué)習(xí)的思想，將預(yù)處理后得到的溫度數(shù)據(jù)，采用置信度評估方法進(jìn)行選擇標(biāo)注后，加入訓(xùn)練集學(xué)習(xí)，這樣訓(xùn)練出的模型能獲得較高的分類準(zhǔn)確度，同時(shí)減少了訓(xùn)練的樣本數(shù)量，提高了訓(xùn)練效率。

對于兩個(gè)類的分類問題，樣本離分類超平面的距離反映了模型預(yù)測的置信度，定義置信度函數(shù)為

(22)

置信度函數(shù)的輸出反映了樣本點(diǎn)到分類器的距離，所以可以直接利用置信度函數(shù)值來確定訓(xùn)練樣本的集合。離分類面越近的樣本被誤分的可能性越大，故只需選取置信度函數(shù)值的絕對值比較小的這些有“價(jià)值”樣本作為訓(xùn)練集即可。

在[-1,1]區(qū)間內(nèi)，取一適中的閾值δ(δ>0)。當(dāng)h(x)>δ時(shí)，則輸出分類函數(shù)f(x)=1，表示正常模式；同理當(dāng)h(x)≤-δ，則輸出分類函數(shù)f(x)=-1，表示漏鋼模式；當(dāng)-δ

主動(dòng)學(xué)習(xí)GA-SVM分類器的具體訓(xùn)練步驟如下：

(1)將漏鋼數(shù)據(jù)進(jìn)行歸一化，利用主動(dòng)學(xué)習(xí)方法對數(shù)據(jù)進(jìn)行選擇標(biāo)注，作為訓(xùn)練樣本和測試預(yù)報(bào)樣本。

(2)對參數(shù)C和g進(jìn)行二進(jìn)制編碼，并初始化種群。

(3)對種群的染色體進(jìn)行解碼獲得C和g的值。將標(biāo)注好的訓(xùn)練樣本分為10等份，其中9組樣本代入式(18)所示的SVM分類器模型，求出每個(gè)訓(xùn)練樣本對應(yīng)的αi，其中非零的αi對應(yīng)的訓(xùn)練樣本為支持向量，并將所得支持向量代入式(19)所示的分類函數(shù)對第10組進(jìn)行預(yù)測。將預(yù)測結(jié)果與所標(biāo)標(biāo)簽進(jìn)行對比，取對比結(jié)果的準(zhǔn)確率作為適應(yīng)度值。然后，選取另外9組中任意一組作為預(yù)測數(shù)據(jù)，其余9組作為訓(xùn)練數(shù)據(jù)，重復(fù)上述過程，計(jì)算出每次的適應(yīng)度值，取10次適應(yīng)度值的平均值作為該10組染色體的平均適應(yīng)度值。

(4)對染色體進(jìn)行選擇、交叉和變異操作，產(chǎn)生新一代種群。

(5)對新一代種群重復(fù)步驟(3)的操作，將遺傳代數(shù)作為程序的終止準(zhǔn)則，如果滿足停止準(zhǔn)則，則轉(zhuǎn)到步驟(6)，否則，返回步驟(4)。

(6)訓(xùn)練結(jié)束，得到最優(yōu)參數(shù)C和g及對應(yīng)的支持向量。

將訓(xùn)練得到的最優(yōu)參數(shù)C和g代入式(19)的分類函數(shù)中，用于對測試樣本數(shù)據(jù)進(jìn)行預(yù)報(bào)測試。每當(dāng)采集到一段時(shí)間內(nèi)的現(xiàn)場漏鋼溫度數(shù)據(jù)后，可以根據(jù)式(22)篩選出一部分置信度值低的樣本數(shù)據(jù)對漏鋼預(yù)報(bào)模型進(jìn)行更新訓(xùn)練，提高模型的泛化能力。

分類函數(shù)的預(yù)報(bào)測試過程如圖4所示。

圖4　用于漏鋼預(yù)報(bào)的支持向量機(jī)模型

支持向量機(jī)模型形式上類似一個(gè)神經(jīng)網(wǎng)絡(luò)，其輸出是若干中間層節(jié)點(diǎn)的線性組合，而每一個(gè)中間層節(jié)點(diǎn)對應(yīng)于輸入樣本與一個(gè)支持向量的內(nèi)積。

3預(yù)報(bào)模型的測試

利用某鋼廠現(xiàn)場采集的歷史數(shù)據(jù)，選出50組標(biāo)注好的典型溫度模式數(shù)據(jù)作為GA-SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。其中，前22組為穩(wěn)定模式樣本，后28組為黏結(jié)漏鋼模式樣本(利用置信度函數(shù)篩選標(biāo)注)；選取195組已標(biāo)注樣本作為測試樣本，前85組為黏結(jié)漏鋼模式樣本，中間100組為穩(wěn)定模式樣本，最后10組為偽漏鋼模式樣本。

GA-SVM模型訓(xùn)練過程中的一些參數(shù)初始值如表1所示。

選取十折交叉驗(yàn)證的平均準(zhǔn)確率作為適應(yīng)度。種群的進(jìn)化趨勢如圖5所示。

表1　訓(xùn)練過程中的參數(shù)初始值

圖5　GA-SVM模型種群適應(yīng)度進(jìn)化曲線(種群數(shù)量為50，終止代數(shù)100)

由圖5可知，GA-SVM模型經(jīng)過100代的訓(xùn)練后，平均適應(yīng)度值達(dá)到了97.64，非常接近98的最佳適應(yīng)度了。最優(yōu)參數(shù)C和g分別為79.86和994.54。

網(wǎng)絡(luò)模型的測試性能指標(biāo)預(yù)報(bào)率ηp和報(bào)出率ηr的計(jì)算式為

(23)

(24)

式中，nr為正確報(bào)警次數(shù)；nf為錯(cuò)誤報(bào)警次數(shù)；no為漏報(bào)次數(shù)。

GA-SVM方法的訓(xùn)練結(jié)果如圖6所示，從圖6中可以看出：訓(xùn)練樣本的分類準(zhǔn)確率達(dá)到了100%。BP神經(jīng)網(wǎng)絡(luò)方法的訓(xùn)練結(jié)果如圖7所示，訓(xùn)練樣本的分類準(zhǔn)確率也達(dá)到了100%。

利用訓(xùn)練好的GA-SVM模型與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行已標(biāo)注樣本的預(yù)報(bào)測試，GA-SVM模型的測試仿真結(jié)果如圖8所示，BP神經(jīng)網(wǎng)絡(luò)模型的測試仿真結(jié)果如圖9所示。

由圖8可知，GA-SVM測試樣本的預(yù)報(bào)結(jié)果為：報(bào)警次數(shù)87次，包括對全部報(bào)警樣本的85次正確報(bào)警以及2次誤報(bào)。

由圖9可知，BP神經(jīng)網(wǎng)絡(luò)測試樣本的預(yù)報(bào)結(jié)果為：報(bào)警次數(shù)88次，包括對全部報(bào)警樣本中的83次正確報(bào)警以及5次誤報(bào)、2次漏報(bào)。

圖6　GA-SVM模型訓(xùn)練結(jié)果圖

圖7　BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果圖

圖8　GA-SVM模型預(yù)報(bào)結(jié)果圖

圖9　BP神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)結(jié)果圖

將GA-SVM漏鋼預(yù)報(bào)方法與BP神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)報(bào)方法相比較，結(jié)果如表2所示。

表2　BP神經(jīng)網(wǎng)絡(luò)與基于主動(dòng)學(xué)習(xí)GA-SVM

由仿真結(jié)果和計(jì)算結(jié)果可以看出，在相同數(shù)量的訓(xùn)練樣本進(jìn)行模型訓(xùn)練的情況下，GA-SVM連鑄漏鋼預(yù)報(bào)模型具有更好的預(yù)報(bào)效果，得到了97.7%的漏鋼預(yù)報(bào)率和100%的漏鋼報(bào)出率，提高了漏鋼預(yù)報(bào)系統(tǒng)對黏結(jié)漏鋼溫度模式的識(shí)別精度，降低了誤報(bào)率。

4結(jié)論

本文提出的基于主動(dòng)學(xué)習(xí)GA-SVM分類器的漏鋼預(yù)報(bào)模型，利用支持向量機(jī)算法良好的泛化能力，克服了傳統(tǒng)漏鋼預(yù)報(bào)模型需大量漏鋼數(shù)據(jù)進(jìn)行訓(xùn)練的不足；結(jié)合遺傳算法的全局尋優(yōu)能力，克服了SVM算法參數(shù)選擇缺乏理論依據(jù)的不足；采用基于主動(dòng)學(xué)習(xí)思想的置信度評估方法對漏鋼溫度數(shù)據(jù)進(jìn)行選擇標(biāo)注，提高了模型的訓(xùn)練效率及預(yù)報(bào)準(zhǔn)確率。將該模型應(yīng)用于連鑄過程的漏鋼預(yù)報(bào)，得到了97.7%的漏鋼預(yù)報(bào)率及100%的漏鋼報(bào)出率，提高了連鑄漏鋼預(yù)報(bào)模型的預(yù)報(bào)率和報(bào)出率，降低了漏鋼誤報(bào)率。

參考文獻(xiàn)：

[1]秦旭, 朱超浦, 尹延榮, 等. 液壓伺服振動(dòng)式板坯連鑄機(jī)的漏鋼預(yù)報(bào)技術(shù)[J]. 鋼鐵, 2010, 45(11): 97-100.

QinXu,ZhuChaopu,YinYanrong,etal.ForecastingofMoltenSteelBreakoutsfortheSlabContinuousCasterswithHydraulicServoOscillationSystems[J].IronandSteel, 2010, 45(11): 97-100.

[2]MillsKC,BillanyTJH.CausesofStickerBreakoutduringContinuousCasting[J].IronMakingandSteelmaking, 1991, 18(4): 253-265

[3]厲英, 王正, 敖志廣, 等.BP神經(jīng)網(wǎng)絡(luò)漏鋼預(yù)報(bào)系統(tǒng)優(yōu)化[J]. 控制與決策, 2010, 25(3): 453-456.

LiYing,WangZheng,AoZhiguang.OptimizationforBreakoutPredictionSystemofBPNeuralNetwork[J].ControlanDecision, 2010, 25(3): 453-456.

[4]張本國, 李強(qiáng), 王葛, 等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的連鑄漏鋼預(yù)報(bào)[J]. 中國機(jī)械工程, 2012, 23(2): 204-207.

ZhangBenguo,LiQiang,WangGe，etal.BreakoutPredictionBasedonImprovedBPNeuralNetworkinContinuousCastingProcess[J].ChinaMechanicalEngineering, 2012, 23(2): 204-207.

[5]高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M]. 北京:機(jī)械工業(yè)出版社, 2007.

[6]VapnikVN.StatisticalLearningTheory[M].NewYork:J.Wiley, 1998.

[7]張新峰, 趙彥. 基于最小二乘支持向量機(jī)的小樣本威布爾可靠性分析[J]. 中國機(jī)械工程, 2012, 23(16): 1967-1971.

ZhangXinfeng,ZhaoYan.WeibullReliabilityAnalysisinSmallSamplesBasedonLSSVM[J].ChinaMechanicalEngineering, 2012, 23(16): 1967-1971.

[8]陳果. 基于遺傳算法的支持向量機(jī)分類器模型參數(shù)優(yōu)化[J]. 機(jī)器科學(xué)與技術(shù), 2007, 26(3): 347-350.

ChenGuo.OptimizingtheParametrsofSupportVectorMachine’sClassifierModelBasedonGeneticAlgorithm[J].MechanicalScienceandTechnology, 2007, 26(3): 347-350.

[9]ChengJian,WangKongqiao.ActiveLearningforImageRetrievalwithCo-SVM[J].PatternRecognition, 2006, 40(1): 330-334.

[10]徐海龍, 王曉丹, 廖勇, 等. 一種基于主動(dòng)學(xué)習(xí)的SVM增量訓(xùn)練算法[J]. 控制與決策, 2010, 25(2): 282-286.

XuHailong,WangXiaodan,LiaoYong,etal.IncrementalTrainingAlgorithmofSVMBasedonActiveLearning[J].ControlandDecision, 2010, 25(2): 282-286.

[11]曹建, 孫世宇, 段修生, 等. 基于KKT條件的SVM增量學(xué)習(xí)算法[J]. 火力與指揮控制, 2014, 39(7): 139-143.

CaoJian,SunShiyu,DuanXiusheng,etal.SVMIncrementalLearningAlgorithmBasedonKKTConditions[J].FireControl&CommandControl, 2014, 39(7): 139-143.

[12]NelloC,HohnS.AnIntroductiontoSuppotVectorMachinesandOtherKernal-basedLearingMethods[M].Cambridge:CambridgeUniversityPress, 2000.

[13]MartensD,BaesensB,vanGestelT.DecompositionalRuleExtractionfromSupportVectorMachinesbyActiveLearning[J].IEEETransactiononKnowledgeandDataEngineering, 2009, 21(2):178-191.

(編輯袁興玲)

收稿日期：2015-07-28

基金項(xiàng)目：國家自然科學(xué)基金委員會(huì)與寶鋼集團(tuán)有限公司聯(lián)合資助項(xiàng)目(U1260203)；國家自然科學(xué)基金資助項(xiàng)目(61403332)；河北省自然科學(xué)基金-鋼鐵聯(lián)合基金資助項(xiàng)目(F201320329)；河北省高等學(xué)校創(chuàng)新團(tuán)隊(duì)領(lǐng)軍人才培育計(jì)劃資助項(xiàng)目(LJRC013)

中圖分類號(hào)：TF345

DOI：10.3969/j.issn.1004-132X.2016.12.009

作者簡介：方一鳴，男，1965年生。燕山大學(xué)電氣工程學(xué)院教授、博士研究生導(dǎo)師。主要研究方向?yàn)橐苯鹱詣?dòng)化系統(tǒng)(軋機(jī)自動(dòng)化、連鑄結(jié)晶器振動(dòng)控制)，系統(tǒng)集成和計(jì)算機(jī)控制，復(fù)雜系統(tǒng)建模仿真和控制，自適應(yīng)、魯棒控制理論與應(yīng)用。胡春洋，男，1988年生。燕山大學(xué)電氣工程學(xué)院碩士研究生。劉樂，男，1985年生。燕山大學(xué)電氣工程學(xué)院講師。張興明，男，1989年生。清華大學(xué)天津高端裝備研究院研發(fā)工程師。

BreakoutPredictionClassifierforContinuousCastingBasedonActiveLearningGA-SVM

FangYiming1,2HuChunyang1LiuLe1ZhangXingming3

1.KeyLabofIndustrialComputerControlEngineeringofHebeiProvince,YanshanUniversity,Qinhuangdao,Hebei,066004 2.NationalEngineeringResearchCenterforEquipmentandTechnologyofColdStripRolling,Qinhuangdao,Hebei,066004 3.TianjinResearchInstituteforAdvancedEquipment,TsinghuaUniversity,Tianjin,300300

Abstract:Aiming at the problem that was difficult to obtain a high accurate breakout prediction model of continuous casting in the case of small sample data, a breakout prediction algorithm was proposed based on active learning GA-SVM classifier. Firstly, the algorithm preprocessed temperature data of continuous casting mold and labels valid data. Secondly, SVM model was obtained after SVM empirical parameters were optimized using labeled small sample data and GA. Finally, the optimized SVM model was tested using the historical data of a steel plant. The results show that in the case of small sample data for training model, the breakout prediction algorithm based on active learning GA-SVM classifier can obtain higher breakout prediction accuracy and 100% reported ratio. The presented breakout steel prediction algorithm was validated.

Key words:breakout prediction; genetic algorithm-support vector machine(GA-SVM); active learning; small sample data