基于k-NN模型的钢坯入炉温度预测

在中厚板生产中,加热工序是决定后续轧制过程是否稳定的重要环节。同时为了提高经济效益,实现节能减排,加热工序往往会根据原料本身的温度情况来制定相应的加热工艺。换热系数是建立钢坯温降计算模型的核心参数,由于其影响因素繁多且复杂,很难有一个固定的模型来计算。本文提出一种简单有效的基于k-NN算法的温度预测模型,寻找目标钢坯与样本钢坯之间的相似度,然后通过IDW加权平均算法,预估出目标钢坯的入炉温度。实际应用表明,模型预测温度与实测温度绝对误差控制在30℃以内的占比达95%以上。

基于优化k-NN模型的高山松地上生物量遥感估测

针对传统k-最近邻法(k-nearest neighbor,k-NN)在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题,在云南省香格里拉市,以高山松Pinus densata为研究对象,基于49块实测标准地,116株高山松样木和Landsat 8/OLI影像,在前期进行基于遗传算法(genetic algorithm,GA)优化的k-NN模型实现的基础上,对k-NN的3个参数(k,t和d)进行反复测试优化组合,在像元尺度上对研究区高山松地上生物量进行遥感估算。结果表明:基于遗传算法优化的k-NN模型精度优于传统的k-NN模型,优化前均方根误差为30.0 t·hm^(-2),偏差为-0.418 t·hm^(-2),相对标准误差百分比(R_(MSE))为54.8%;优化后均方根误差为24.0 t·hm^(-2),偏差为-0.123 t·hm^(-2),R_(MSE)为43.7%。基于优化k-NN模型的研究区高山松地上生物量总储量估测结果为0.89×10~7t。

模糊聚类与k-NN法大型发电设备状态预警模型

根据设备运行的历史数据,运用模糊聚类和k-NN证据分类的方法,建立设备的运行状态模型,对水火电发电设备的运行状态进行判断,并对异常、故障状态进行预警。最后以红河1号机组#1高压加热器2014年1月用来聚类的4000组样本数据及其隶属度矩阵作为证据k-NN的训练集,2月某两天运行数据进行测试。验证模型能够如实反映设备异常状态,证明了模型的可靠性。