基于PSO-GRNN的含钛高炉渣活化焙烧浸出成分预测模型

活化焙烧是一种回收利用含钛高炉渣中钛资源的新方法。为通过反应条件快速获得回收渣中成分含量,建立了基于粒子群优化的广义回归神经网络(PSO-GRNN)预测模型。借助斯皮尔曼(Spearman)相关性分析筛选特征变量作为模型输入,利用PSO优化GRNN神经网络的权重与节点阈值,通过与偏最小二乘回归(PLS)、随机森林(RF)以及支持向量回归(SVR)算法的对比,确定了提出模型的优势。研究结果表明,PSO-GRNN具有最小的RMSE和最大的R2,表明在该数据集上所设计的PSO-GRNN有最佳的模型性能,可以为后续实验或工业应用提供一定的指导。