【技术实现步骤摘要】
一种基于支持向量机分位数回归的钢材力学性能预测方法
本专利技术涉及微合金钢热轧产品力学性能预测领域，具体涉及一种基于支持向量机分位数回归的钢材力学性能，尤其是热轧产品的抗拉强度预测方法。
技术介绍
近年来，由于钢材广泛应用于建筑、桥梁等许多行业领域，钢材产品的需求呈现出高速增长态势；人们对钢材产品质量要求越来越严格，不仅要求钢材的力学性能符合标准，而且要求钢材有良好的表面质量。冶金工作者一直致力于降低冶金成本和提高钢材产品质量，因此在钢材冶炼之前对钢铁性能进行预测是必要的；然而，钢材产品性能的好坏取决于其内部组织，内部组织受到其本身成分、制造工艺等因素的影响，并且彼此之间存在着复杂的关系，同时微合金钢生产过程涉及到诸多物理、化学等反应，其过程中的不确定因素也难以测定和评估。热轧钢材组织性能预报一直是钢铁冶金行业关注的难点问题，是一项十分复杂的冶金前沿技术。因此，基于对实际大规模生产数据的适当处理，构建具有足够精度且相对可靠的钢材力学性能预报模型，实现钢材产品的抗拉强度等力学性能进行精准预测，并合理揭示影响钢材力学性能的因素，...
【技术保护点】
1.一种基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，包括以下步骤：/n数据处理：基于第一预设规则对初始数据进行标准化处理，得到标准化数据；/n模型估计值获取：定义支持向量机回归模型，根据所述标准化数据，得到支持向量机分位数回归模型估计值；/n变量选择：根据最小绝对收缩和选择算法变量选择方法，基于所述标准化数据和所述模型估计值，得到对所述力学性能影响较大的变量；/n参数获取：基于第二预设规则和贝叶斯最小准则，得到相应的最终调整参数，基于广义近似交叉验证模型选择所述支持向量分位数回归模型的最终惩罚参数；/n模型确定：根据所述变量、最终调整参数和所述惩罚参数、各预...
【技术特征摘要】
1.一种基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，包括以下步骤：
数据处理：基于第一预设规则对初始数据进行标准化处理，得到标准化数据；
模型估计值获取：定义支持向量机回归模型，根据所述标准化数据，得到支持向量机分位数回归模型估计值；
变量选择：根据最小绝对收缩和选择算法变量选择方法，基于所述标准化数据和所述模型估计值，得到对所述力学性能影响较大的变量；
参数获取：基于第二预设规则和贝叶斯最小准则，得到相应的最终调整参数，基于广义近似交叉验证模型选择所述支持向量分位数回归模型的最终惩罚参数；
模型确定：根据所述变量、最终调整参数和所述惩罚参数、各预设核函数，得到具有不同所述预设核函数的各训练模型，利用所述标准化数据分别对所述训练模型进行回测，选择预测值与实测值最贴近的合适核函数，确定最终预测模型。
2.根据权利要求1所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述第一预设规则包括：
X′＝atan(X)*2/π
其中，所述第一预设规则的映射区间为[0,1]，所述性能数据X>0。
3.根据权利要求1所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述获取模型估计值步骤中，还包括以下步骤：
基于所述支持向量机回归模型得到最优参数解，并将检验函数代入所述最优参数解；
引入松弛变量，得到代入了所述检验函数的所述最优参数解的二次规划问题；
根据第一约束条件，由所述二次规划问题得到所述支持向量机分位数回归模型估计值。
4.根据权利要求3所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述支持向量回归机模型为：
f(x)＝m(x)＝w·φ(x)+b
其中，w为权重向量，b为阈值，x为解释变量，φ(x)为x的非线性映射函数。
5.根据权利要求4所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述最优参数解(w,b)为：
其中，C为惩罚参数，
k为样本总量，
xt为样本t的自变量，
yt为样本t的响应变量，
f(xt)为样本t的解释变量x的预测值。
6.根据权利要求5所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述检验函数ρτ(u)为：
ρτ(u)＝u(τ-I(u))
其中，分位点τ∈(0,1)，
u为变量，
示性函数
7.根据权利要求6所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，将所述检验函数代入所述最优参数解得到：
其中，w为没有分位点情况下的权重向量，
所述wτ为分位点τ上的权重向量，
β为变量系数，βτ为在分位点τ下的变量系数，
为βτ的转置，
zt为与xt定义相同的自变量，
为wτ的转置，
φ(xt)为解释变量xt的非线性映射函数。
8.根据权利要求7所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述二次规划问题为：
其中，wT为w的转置，
ξt、分别为松弛变量。
9.根据权利要求8所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述第一约束条件包括：
其中，βT为β的转置，
wT为w的转置。
10.根据权利要求9所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述支持向量机分位数回归模型估计值为：
其中，αt,为样本t时的最优拉格朗日乘子数，
α为由αt构成的拉格朗日乘子向量,
α*为由αt*构成的拉格朗日乘子向量,
(bτ,βτ)T为在τ分位点下变量系数和阈值组成的向量的转置,
矩阵
为zt的转置，
UT为U的转置，
响应变量y＝{yt|t∈ISV}，
支持向量的索引集ISV＝{t＝1,2,3...k|0＜αt＜τC,0＜αt*＜(1-τ)C}，
为τ分位点下的预测值，
bτ为在τ分位点下的阈值，
K为核函数,
Kt为样本t的核函数。
11.根据权利要求10所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述变量选择步骤中，还包括以下步骤:
基于最小绝对收缩和选择算法变量选择方法，得到相应的损失函数；
基于所述损失函数中的最小值得到极限值并代入所述损失函数，得到损失函数极限值；
基于预设的损失变量δ，对所述损失函数极限值中的参数b,β,γ分别求偏导，得到参数偏导；
根据高效迭代加权最小二乘算法，基于所述参数偏导，循环迭代直至收敛，得到所述损失函数的最小值点的各参数值bτ,βτ,γτ，所述βτ中包含对所述力学性能影响较大的变量。
12.根据权利要求11所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述损失函数为：
其中，修改后检查函数
实际值与预测值的差值r＝y-b-βTz-Kγ，
δ为损失变量，所述ρτ,δ(r)的应用范围为区间间隔(-δ,δ)，
I为对角线元素为1的矩阵，
参数γ＝α-α*，
γT为γ的转置，
λj为第j个变量的调整参数，
P为变量的个数，
βj为第j个变量的系数，
为第j个变量的压缩系数，
m为迭代次数。
13.根据权利要求12所述的基于支持向量机分位数回归的钢材力学性能预测方法，其特征在于，所述损失函数最小值为：
其中，Z是由构成的k×p矩阵，
样本t＝1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。