买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：昆明理工大学

摘要：本发明涉及铜熔炼技术领域，且公开了一种基于模糊决策树与状态转移算法在冰铜生产过程中关键控制变量的决策方法，通过调控关键控制变量改良铜熔炼生产，以实现高品质、低能耗的生产。首先，从历史数据库获取相关冰铜生产过程中的知识，进行相关数据清洗、数据预处理等相关工作，获得模糊决策树训练集；其次，采用模糊聚类中心划分输入样本点的聚类中心距离，选计算隶属度，并进行模糊划分，得到相关参数的模糊集合；然后，对模糊聚合计算模糊相似度以及分类真值进行根节点划分，并通过非分布特异性评估分类效果；最后，设置目标函数与约束条件，通过状态转移算法获取最优控制变量的权重参数，获得最终的知识决策模型，实现在相关生产变量预处理后输入后，得到关键控制变量的设定值，确保最优生产。

主权项：1.一种基于模糊决策树与状态转移算法在冰铜生产过程中关键控制变量的决策方法，其特征在于：包括以下步骤：S1、为了构建模糊决策树，首先获取训练样本，传统模糊规则提取的隶属度函数通常是专家经验给出，为了减少避免主观性的影响，借助于模糊均值聚类算法进行模糊隶属度函数的设计，最后根据模糊隶属度函数的设计，构建模糊决策树，将样本点分类到不同的类别中，具体过程包括：S1.1、读取铜熔炼过程中的历史数据，包括影响变量：铜熔炼过程中燃料加入量、矿石加入量、铜熔炼中的相关参数，相关参数包括喷枪高度、喷枪背压、风流量输入量、冰铜品位、氧流量输入量以及关键控制变量：富氧浓度、熔池温度，并对数据进行清洗；S1.2、为构建模糊决策树模块，首先使用模糊值聚类算法进行构建模糊隶属度函数，包括以下步骤：S1.2.1、基于要进行决策的关键控制变量获得k个聚类中心，分别为c1,c2,...,ck，k表示关键参量参数聚类中心的模糊划分数量，将数据清洗后的历史数据集中的每一个数据点作为决策树的样本点，并通过计算公式得出每个数据集样本点与聚类中心之间的距离，计算表达式如下： 其中，dik表示每个样本点与聚类中心之间的距离，xi表示第i个样本点，*|表示取绝对值，X表示数据集每一组样本点之间相邻组，ck表示第k个聚类中心，N表示近邻样本点个数，U为样本点集合构成的样本空间，αk表示平滑参数，∑X∈U表示对内部U个数据进行求和，其具体表达式如下： 其中，dxk,X表示xk和X之间的距离，xk表示xi属于类别k的样本点，k表示每个影响变量的模糊划分数量，表示铜熔炼过程中燃料加入量、矿石加入量、铜熔炼中的相关参数：喷枪高度、喷枪背压、风流量输入量、冰铜品位、氧流量输入量带来的关键控制变量实际变化影响值；S1.2.2、通过计算公式得到样本点xi与隶属于关键变量的隶属度μik以及每个聚类中心值，其中关键变量包括富氧浓度和熔池温度，具体计算公式如下： 其中，dik表示每个样本点与聚类中心之间的距离，c表示k个聚类中心构成的合集，djk表示样本索引点与聚类中心之间的距离，p为加权参数，μik表示隶属度； 其中，xk表示第k个样本点，表示对内部n个数据进行求和，n所有样本点的个数，ck表示第k个聚类中心值；S1.2.3、在计算完每个聚类中心值后，为后续建立模糊决策树，为k个聚类中心根据隶属度进行模糊划分，具体表达式如下：当i＝1时，第1个模糊划分的隶属函数μe1： 其中，μe1表示第一个模糊划分的隶属函数，xmin表示为邻接样本点的集合U中的最小值，x表示样本空间U中的样本点，c1、c2分别表示第1个聚类中心值和第2个聚类中心值；当1ik时，第2个模糊划分至第k-1个模糊划分的隶属函数μei： 其中，μei表示第2个模糊划分至第k-1个模糊划分的隶属函数，ci-1、ci、ci+1分别表示第i-1、i、i+1个聚类中心值；当i＝k时，第k个模糊划分的隶属度函数μek： 其中，μek表示第k个模糊划分的隶属度函数，xmax表示样本空间U中的最大值，ck-1、ck分别表示第k-1、k个聚类中心值；S1.2.4、依据步骤S1.2.3中建立的三个隶属度函数对k个聚类中心c1,c2,…,ck所处的论域空间C，对论域空间C设置模糊集合E，其具体表达式如下： 其中，ln*表示对数函数，μik表示隶属关键变量即富氧浓度、熔池温度的隶属度，k表示关键参量参数聚类中心的模糊划分数量；S1.3、构建模糊决策树模块，包括以下步骤：S1.3.1对模糊决策树的根节点进行划分，计算论域空间C和模糊集合E之间的模糊相似度，计算表达式如下： 其中，SC,E表示模糊集合E对于论域空间C的隶属程度，MC表示论域空间C内所有聚类中心c1,c2,…,ck隶属度的和，μEci表示步骤S1.2.3中的三个隶属度函数，minμCci,μEci表示表示论域空间C中元素ci的隶属度与模糊集合E中的隶属度之间的最小值，μCci表示在论域空间C中的隶属度，∑c∈C*表示表示对论域空间C中所有元素ci进行求和操作，C∩E表示域空间C和模糊集合E的交集，即包含在论域空间C中并且同时属于模糊集合E的元素集合，MC∩E表示论域空间C和模糊集合E的交集，计算样本属于要进行决策的聚类中心ci的可能性，来根据模糊隶属度得到的样本点与聚类中心之间相似度，可能性表达式如下： 其中，πci|E表示样本属于要进行决策的聚类中心ci的后验概率可能性，表示选择最大的SE,ci值所对应的聚类中心ci用来确定样本点在模糊集合E在聚类中心上具有的最高相似度，从而将该样本分配到相应的聚类中心中，SC,E表示模糊集合E对于论域空间C的隶属程度；S1.3.2、通过计算公式计算每个影响变量相关的分类非特异性GE，用来评估分类结果ci的重要性或影响度，以帮助分析模糊集合E在分类任务中的表现和影响并选择分类非特异性最小的属性作为根决策节点r＝{r1,r2,…,rk}，具体计算表达式如下：GE＝gπC|E 其中，gπC|E表示对于给定模糊集合E，根据聚类中心ci的后验概率πci|E所计算出的度量，gπ表示C定义在E的标准概率分布，πci|E表示样本属于要进行决策的聚类中心ci的后验概率可能性，πci|E＝πc1|E,πc2|E,…,πck|E}，πc1|E,πc2|E,…,πck|E分别表示每个聚类中心ci的后验概率πci|E所计算出的度量，πi、πi+1表示第i类别的后验概率、第i+1类别的后验概率；S1.3.3、计算给定根决策节点下的分类非特异性，具体计算表达式如下： 其中，Gpi∩ri表示加权平均集合P与第i个根决策节点ri的非特异相关性，GP|ri表示i个根决策节点ri的条件下的非特异相关性，pi表示加权平均集合P中的第i个模糊划分，P表示模糊集合E的加权平均，ωpi|ri表示pi在第i个根决策节点ri中的相对分布大小，具体表达式如下： 其中，Mpi|ri表示pi在第i个根决策节点ri的隶属度之和；S1.3.4、重复步骤S1.3.1至S1.3.3直到叶节点为标签节点的模糊划分，构建出模糊集合E对于论域空间C的隶属程度SC,E，并根据构建的模糊决策树，将其分布特异性GE转换成给定模糊证据下的分类非特异性GP|ri，得到包含权重ωpi|ri的决策树模型；S1.4、构建权重参数寻优模块，最终获得基于模糊决策树的知识决策模型，具体步骤如下：S1.4.1、初始化当前状态W，并构建待求解的优化目标函数以及约束条件；S1.4.2、通过旋转变换算子、坐标变换算子、伸缩变换算子和平移变换算子全局寻优搜索S2、构建实际应用模块，所述实际应用模块将实际同熔炼过程的生产过程信息输入构建完成的模糊决策模型中，并进行迭代计算、去归一化得到关键控制变量的设定值；S3、将步骤S2输出的关键控制变量的设定值运用在实际生产设备上，得到反馈数据，并反馈至步骤S1的模糊决策模型中进行优化。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种基于模糊决策树与状态转移算法在冰铜生产过程中关键控制变量的决策方法