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！

龙图腾网恭喜东北大学;沈阳华盛冶金技术与装备有限责任公司申请的专利基于堆叠集成策略对冶金过程终点质量进行预测的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118197463B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410295073.1，技术领域涉及：G16C20/30；该发明授权基于堆叠集成策略对冶金过程终点质量进行预测的方法是由姜骁箐;郭家辰;韩利鑫;李星彤;董世建;李鸿儒;龚伟;吴铁设计研发完成，并于2024-03-15向国家知识产权局提交的专利申请。

本基于堆叠集成策略对冶金过程终点质量进行预测的方法在说明书摘要公布了：一种基于堆叠集成策略对冶金过程终点质量进行预测的方法，采集冶金的过程数据；根据机理分析和现场专家经验，并利用随机森林或PCA技术进行特征筛选获得关键输入变量；标准化、缺失值、异常值数据清洗和处理；将数据划分为训练集和测试集；使用六折交叉检验方法，利用由并行排列的随机森林回归、极端随机森林回归和极限梯度提升训练多个初级集成模型，并构成第一网络层；使用贝叶斯优化算法优化确定超参数；由逻辑线性回归构建第二网络层，用第一网络层整合的训练集与测试集作为数据集，进行元学习器训练，最终获得终点预测输出；利用测试集数据评估模型性能；进行预测。该方法能提高对于冶金终点质量预测的精确性和模型的适应性。

本发明授权基于堆叠集成策略对冶金过程终点质量进行预测的方法在权利要求书中公布了：1.一种基于堆叠集成策略对冶金过程终点质量进行预测的方法，其特征在于，包括以下步骤：步骤一：采集冶金的过程数据；利用安装在转炉系统关键采集点上的多组传感器采集转炉冶炼过程的历史数据；步骤二：根据机理分析和现场专家经验，并利用随机森林或PCA技术进行特征筛选获得关键输入变量；步骤三：标准化、缺失值、异常值数据清洗和处理；对于采集的数据，经过清洗和标准化，实现数据的缺失值以及异常值以及数据的归一化步骤；步骤四：将清洗后的数据划分为训练集和测试集；步骤五：使用六折交叉检验方法，利用由并行排列的随机森林回归、极端随机森林回归和极限梯度提升训练多个初级集成模型，并构成第一网络层，具体过程如下：S11：构建堆叠框架；采用非线性集成策略组合异质学习器构成学习能力更强的多层学习器，并使深层学习器以初级学习器的输出结果作为数据集，实现再学习功能，其具体过程如下：A1：将经过预处理的数据集，分成训练集和测试集；A2：选取个初级学习器，进行数据训练；A3：将训练集进一步被分为个大小相等的子集用于交叉验证；A4：对于每个初级学习器，使用份子集作为训练数据，剩余1份作为验证数据；每个初级学习器生成个模型验证输出，即，这些验证输出组合成验证输出集合，对个初级学习器得到验证输出集合；A5：将测试集输入到每个训练好的初级学习器中，生成组测试输出，并构成输出集合，则个初级学习器得到测试输出集合；A6：将所有初级学习器的验证输出集合和测试输出集合分别进行合并，构成第二层网络训练所用的训练集和测试集；S12：构建随机森林回归模型；随机森林回归模型构建过程如下：B1：根据公式（4）利用有放回随机采样，从个初始数据集中等概率抽取个样本数据组成集合； （4）；式中，是抽样得到的样本特征；是对应的样本标签；B2：重复B1操作，得到组采样集，并基于每个采样集训练出对应的回归树；B3：在每个回归树中，随机选取个属性作为一个属性集合；计算每个特征的预测结果与目标值的方差减少量，用于衡量每次分割中特征对模型的贡献程度，利用方差减少量最大的特征作为最佳分裂节点，实现回归树构建；B4：按照步骤B1～B4建立个独立并行的回归树，构成随机森林回归模型；由回归树作为基学习器，通过并行组合的集成策略使个独立并行的回归树对应的多个基学习器相互独立，采用BootstrapAggregation集成方式构成强学习器，根据公式（1）中的Bagging构造算法获得最小化目标函数的随机森林回归算法的目标预测值； （1）；式中，为每一个互不影响各自训练的回归树得到的预测结果；是由数据集学到的模型；S13：构建极端随机森林回归模型；在训练集选取上，使用所有的训练样本得到每棵回归树；在节点分裂方面，随机选择一个处于该特征属性的最大值和最小值之间的任意数，当样本的该特征属性值大于该值时，作为左分支，当小于该值时，作为右分支；实现在该特征属性下把样本随机分配到分支上的目的；然后计算此时的分叉值；遍历节点内的所有特征属性，按上述方法得到所有特征属性的分叉值；并选择分叉值最大的形式实现对该节点的分叉；S14：构建极限梯度提升模型；通过Boosting集成思想将多个回归树模型进行线性组合，利用公式（2）中的Boosting构造算法，通过不断迭代的方式建立误差最小的预测模型； （2）；式中，是前一轮的预测结果，当前这一轮的预测结果；步骤六：使用贝叶斯优化算法优化确定超参数；利用贝叶斯优化算法确定对初级学习器计算精度影响较大的超参数，以增强初级学习器学习数据的能力；通过贝叶斯优化算法构建后验概率分布，用以预测目标函数在不同超参数组合下的潜在值，并以此后验概率分布作为超参数搜索方向的指标；步骤七：由逻辑线性回归构建第二网络层，用第一网络层整合的训练集与测试集作为数据集，进行元学习器训练，从而实现第一网络层的预测结果作为特征进行再提取，构建出双层堆叠模型，最终获得终点预测输出；步骤八：利用测试集数据评估双层堆叠模型性能；步骤九：通过双层堆叠模型对转炉终点温度，Mn和S质量成分进行预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学;沈阳华盛冶金技术与装备有限责任公司，其通讯地址为：110004 辽宁省沈阳市和平区文化路3号巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。