由于烧结过程中存在众多不确定性因素,使得机理分析和点预测结果的可靠性不足.基于此提出随机森林-极限树-核密度估计(random forest-extreme tree-kernel density estimation,RF-ET-KDE)算法对物理指标(粒度、水分)进行区间预测.首先,...由于烧结过程中存在众多不确定性因素,使得机理分析和点预测结果的可靠性不足.基于此提出随机森林-极限树-核密度估计(random forest-extreme tree-kernel density estimation,RF-ET-KDE)算法对物理指标(粒度、水分)进行区间预测.首先,采用数据预处理和特征选择操作筛选出最适合建模的特征变量.其次,使用基于Stacking的RF-ET算法对指标进行点预测,该算法使得模型有较高的准确性和泛化性.然后,采用KDE算法计算指标的预测误差,得到了一定置信水平下的分布区间和区间预测结果.最后,用所建模型与其余组合模型进行对比.结果表明,RF-ET算法有较高的点预测效果,KDE算法可以很好地量化指标的误差,可以得到较高可靠度的区间预测结果.展开更多
文摘由于烧结过程中存在众多不确定性因素,使得机理分析和点预测结果的可靠性不足.基于此提出随机森林-极限树-核密度估计(random forest-extreme tree-kernel density estimation,RF-ET-KDE)算法对物理指标(粒度、水分)进行区间预测.首先,采用数据预处理和特征选择操作筛选出最适合建模的特征变量.其次,使用基于Stacking的RF-ET算法对指标进行点预测,该算法使得模型有较高的准确性和泛化性.然后,采用KDE算法计算指标的预测误差,得到了一定置信水平下的分布区间和区间预测结果.最后,用所建模型与其余组合模型进行对比.结果表明,RF-ET算法有较高的点预测效果,KDE算法可以很好地量化指标的误差,可以得到较高可靠度的区间预测结果.
