西蒙·马苏里尼·阿科斯塔;安德森·列瓦蒂（Anderson Levati Amoroso）;圣安娜，安吉洛·马尔西奥利维拉;小坎西格里里，奥西里斯 使用优化的相关向量回归和支持向量回归对炼钢过程进行预测建模。 （英语） Zbl 07592260号 安·Oper。物件。 316，编号2，905-926（2022）. 概述：金属合金产品中污染物的存在是影响产品质量的主要问题，这是行业竞争力的重要要求。本文提出了应用回归相关向量机（RVR）和回归支持向量机（SVR），通过自适应差分进化算法优化回归，根据实际数据对炼钢过程中的磷浓度水平进行建模。一般来说，选择合适的学习超参数是获得调谐RVM和SVM的关键步骤。为了解决这个问题，我们应用了一种自适应差分进化算法，这是一种用于全局优化的进化算法。我们将RVR和SVR模型与岭回归、多元线性回归、模型树、人工神经网络和随机向量函数链接神经网络模型的性能进行了比较。RVR和SVR模型的RMSE值较小，性能优于其他模型。我们的研究表明，RVR和SVR模型是预测炼钢过程中磷浓度水平的合适工具。 MSC公司： 68泰克 人工智能 62Jxx型 线性推断、回归 90立方厘米 数学编程 关键词：相关向量回归;支持向量回归;差异演化;过程建模;炼钢工艺 软件：DeMat公司;格尔姆奈特;伦敦银行支持向量机;PRMLT公司 PDF格式BibTeX公司 XML格式引用 \textit{S.M.Acosta}等人，Ann.Oper。第316号决议，第2号，905--926（2022；Zbl 07592260） 全文： 内政部 参考文献： [1] 阿科斯塔，SM；AMO圣安娜；Canciglieri，O.Jr，《工业过程能量效率预测模型》，《化学工程学报》。，521081-1086（2016）·doi:10.3003/CET1652181 [2] 巴布，英属维尔京群岛；Angira，R.，非线性化学过程优化的改进差分进化（MDE），计算机与化学工程，30989-1002（2006）·doi:10.1016/j.compchemeng.2005.12.020 [3] 巴雷拉，S。；马佩利，C。；蒙贝利，D。；Gruttadauria，A。；拉吉，E。；安科纳，V。；Valentino，G.，《通过自鼓泡效应实现钢浴最终脱碳的模型》，《炼铁与炼钢》（2017年）·doi:10.1080/03019233.2017.1405179 [4] Basak，D.、Pal，S.和Patranabis，D.C.（2007年）。支持向量回归。神经信息处理-信件与评论，11（10），203-224。 [5] Bishop，CM，模式识别和机器学习（2006），Springer·Zbl 1107.68072号 [6] 布雷曼，L。；JH弗里德曼；奥申，RA；Stone，CJ，分类和回归树（1984），沃兹沃思·Zbl 0541.62042号 [7] 布雷斯特，J。；格雷纳，S。；博斯科维奇，B。；默尼克，M。；Zumer，V.，微分进化中的自适应控制参数：数值基准问题的比较研究，IEEE进化计算汇刊，10646-657（2006）·doi:10.1109/TEVC.2006.872133 [8] 卡姆奇，F。；钦南，RB；Ellis，RD，使用支持向量原理的稳健核距离多元控制图，《国际生产研究杂志》，46，18，5075-5095（2008）·Zbl 1153.91755号 ·doi:10.1080/00207540500543265 [9] 卡拉斯科，J。；加西亚，S。；Ruedab，MM；Dasc，S。；Herrera，F.，《使用统计测试比较群计算和进化计算算法的最新趋势：实用指南和批判性评论》，《群和进化计算》，54，1-20（2020）·doi:10.1016/j.swevo.2020.100665 [10] Chang，C-C；Lin，C-J，LIBSVM：支持向量机库，ACM智能系统与技术汇刊，2，27，1-27（2011）·数字对象标识代码：10.1145/1961189.1961199 [11] Chaudhary，PN公司；戈尔，RP；Roy，GG，使用BaCO_3基焊剂进行高碳锰铁脱磷，炼铁和炼钢，28，5，396-403（2001）·doi:10.179/irs.2001.28.5.396文件 [12] Cheng，西部数据；蔡，CZ；罗，Y。；李，YH；Zhao，CJ，使用支持向量回归法建模和预测聚乳酸/石墨烯纳米复合材料的拉伸强度，国际现代物理杂志B，30，10，1-12（2016）·doi:10.1142/S0217979216500521 [13] Cherkassky，V。；Ma，Y.，SVM回归中SVM参数的实际选择和噪声估计，神经网络，17，113-126（2004）·Zbl 1075.68632号 ·doi:10.1016/S0893-6080（03）00169-2 [14] Cherkassky，V。；Mulier，F.，《从数据中学习：概念、理论和方法》（2007），John Wiley&Sons·Zbl 1130.62002号 ·数字对象标识代码：10.1002/9780470140529 [15] Conceiçáo，E.和Mächler，M.（2015）。DEoptimR：纯R.R包版本1.0-8中的差分进化优化。 [16] 达斯，S。；SS穆利克；Suganthan，PN，差异进化的最新进展——最新调查，Swarm and Evolutional Computation，27，1-30（2016）·doi:10.1016/j.swevo.2016.01.004 [17] 德拉克，J。；加西亚，S。；莫利纳，D。；Herrera，F.，《关于使用非参数统计测试作为比较进化和群体智能算法的方法的实用教程》，swarm and evolutionary Computation，1，1，3-18（2011）·doi:10.1016/j.swevo.2011.02.002 [18] Eiben，A.、Michalewicz，Z.、Schoenauer，M.和Smith，J.（2007年）。进化算法中的参数控制。Lobo，F.G.，Lima，C.F.和Michalewicz，Z.（eds），进化算法中的参数设置，54（54），Springer Verlag，19-46。https://dx.doi.org/doi:10.1007/978-3-540-69432-8. ·Zbl 1139.68047号 [19] 费尔南德斯·德尔加多，M。；Sirsat，MS；Cernadas，E。；阿拉瓦迪，S。；巴罗，S。；Febrero-Bande，M.，回归方法的广泛实验调查，神经网络，111，11-34（2019）·doi:10.1016/j.neunet.2018.12.010 [20] 弗里德曼，J。；哈斯蒂，T。；Tibshirani，R.，通过坐标下降广义线性模型的正则化路径，统计软件杂志，33，1，1-22（2010）·doi:10.18637/jss.v033.i01 [21] 加西亚，S。；费尔南德斯，A。；Luengo，J。；Herrera，F.，《计算智能和数据挖掘实验设计中多重比较的高级非参数测试：权力的实验分析》，信息科学，180，10，2044-2064（2010）·doi:10.1016/j.ins.2009.12.010 [22] 加迪，AM；Vafaei，A.，《人工神经网络在吸附去除水溶液中染料方面的应用：综述》，胶体和界面科学进展，24520-39（2017）·doi:10.1016/j.cis.2017.04.015 [23] 盖迪，M。；加埃迪，AM；侯赛因普尔，M。；安萨里，A。；哈比比，MH；Asghari，AR，最小二乘支持向量（LS-SVM）方法，用于模拟活性炭上负载氧化铜的亚甲基蓝染料吸附：动力学和等温线研究，工业与工程化学杂志，20，41641-1649（2014）·doi:10.1016/j.iec.2013.08.011 [24] 盖迪，M。；拉希米，MR；加迪，AM；Shilpi Agarwal，IJ；Gupta，VK，最小二乘支持向量回归和线性多元回归在模拟活性炭和黄连木制备的活性炭载锡纳米颗粒上甲基橙去除的应用，胶体与界面科学杂志，461425-434（2016）·doi:10.1016/j.jcis.2015.09.024 [25] 盖迪，M。；Dashtian，K。；加迪，AM；Dehghanian，N.，预测孔雀石绿在多壁碳纳米管上吸附的支持向量回归与遗传算法混合模型：中心复合设计优化，物理化学化学物理，18，13310-13321（2016）·doi:10.1039/c6cp01531j [26] SB Ghugare；Tiwary，S。；Tambe，SS，基于计算智能的模型，用于通过近似分析预测固体生物质燃料的元素组成，国际系统保证工程与管理杂志，8，4，2083-2096（2017）·doi:10.1007/s13198-014-0324-4 [27] Haykin，S.，《神经网络和学习机器》（2009），普伦蒂斯·霍尔 [28] He，S。；肖，L。；Wang，Y。；刘，X。；杨，C。；卢，J。；桂，W。；孙毅，一种基于最优相关向量机的新型故障诊断方法，神经计算，267651-663（2017）·doi:10.1016/j.neucom.2017.06.024 [29] 伊马尼，M。；高，H-C；兰，W-H；Kuo，C-Y，使用极端学习机和相关向量机预测台湾嘉义海岸的每日海平面，全球和行星变化，161211-221（2018）·doi:10.1016/j.gloplacha.2017.12.018 [30] 贾，S。；钱，X。；袁，X.，基于支持向量机和粒子群优化的隔墙柱优化设计，化学工程研究与设计，125，422-432（2017）·doi:10.1016/j.cherd.2017.07.028 [31] Kecman，V.，《学习和软计算：支持向量机、神经网络和模糊逻辑模型》（2001），麻省理工学院出版社·Zbl 0994.68109号 [32] Latorre，A.、Molina，D.、Osaba，E.、Del Ser，J.和Herrera，F.（2020年）。生物激励优化研究中的公平性：用于比较元神经系统的方法学指南处方。神经和进化计算。 [33] Liu，Y.，基于自适应差分进化算法的自适应实时和相关向量机软传感器用于参数优化，化学工程科学，172，571-584（2017）·doi:10.1016/j.ces.2017.07.006 [34] 马夸特，DW；Snee，RD，《岭回归在实践中》，《美国统计学家》，第29、1、3-20页（1975年）·兹比尔0361.62060 ·doi:10.2307/2683673 [35] Mazumdar，D.和Evans，J.W.（2009年）。《炼钢过程建模》，第一版，CRC出版社。 [36] Pao，Y-H；公园，G-H；Sobajic，DJ，随机向量函数链网络的学习和泛化特征，神经计算，6，2，163-180（1994）·doi:10.1016/0925-2312（94）90053-1 [37] 佩德里尼，哥伦比亚特区；Caten，CS，Modelagem estaística para a previsáo do fósforo em ligas de ferronganñs，Revista Ingepro，2，14-25（2010） [38] 彭，H。；Ling，X.，通过支持向量回归预测紧凑式换热器的热工水力性能，《国际传热传质杂志》，84，203-213（2015）·doi:10.1016/j.ijheatmasstransfer.2015.017 [39] 价格，K。；斯托恩，R。；Lampinen，J.，《差分进化：全局优化的实用方法》（2006），Springer-Verlag [40] AK秦；黄，VL；Suganthan，PN，用于全局数值优化的具有策略自适应的差分进化算法，IEEE进化计算汇刊，13398-417（2009）·doi:10.1109/TEVC.2008.927706 [41] 邱，X。；Suganthan，PN；Amaratunga，&G.A.J.，用于短期电力负荷预测的集成增量学习随机向量函数链接网络，基于知识的系统，145182-196（2018）·doi:10.1016/j.knosys.2018.01.015 [42] Quinlan，J.R.（1992）。通过连续课堂学习。第五届澳大利亚人工智能联合会议记录，343-348。 [43] Quinlan，J.R.（1993）。结合基于实例和基于模型的学习。第十届机器学习国际会议记录，236-243。 [44] R（2018）。R： 用于统计计算的语言和环境。R统计计算基金会，ISBN 3-900051-07-0。可在http://www.r-project.org。 [45] 桑托斯，GS；卢维佐托，LGJ；Mariani，VC；Coelho，LS，基于混沌差分进化方法的最小二乘支持向量机，用于识别热过程，应用专家系统，39，4805-4812（2012）·doi:10.1016/j.eswa.2011.09.137 [46] Schölkopf，B。；Smola，AJ，《用核学习-支持向量机，正则化，优化及超越》（2002），麻省理工学院出版社 [47] 斯莫拉，AJ；Schölkopf，B.，支持向量回归教程，统计与计算，14，3，199-222（2004）·doi:10.1023/B:STCO.0000035301.49549.88 [48] Storn，R.（2008）。差异进化研究——趋势和悬而未决的问题。在英国查克拉博蒂（编辑），差异进化的进展。计算智能研究，143（第11-12页）。https://doi.org/doi:10.1007/978-3-540-68830-3_ 1之间·Zbl 1153.68510号 [49] 斯托恩，R。；Price，K.，《差分进化——连续空间上全局优化的一种简单有效的启发式算法》，《全局优化杂志》，11，4，341-359（1997）·Zbl 0888.90135号 ·doi:10.1023/A:1008202821328 [50] Tibshirani，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会杂志。B系列（方法学），267-288·兹比尔0850.62538 [51] Tipping，M.（2000）。相关向量机。S.A.Solla、T.K.Leen和K.-R.Müller（编辑），《神经信息处理系统的进展》，12（第652-658页）。麻省理工学院出版社。 [52] Tipping，ME，稀疏贝叶斯学习和相关向量机，机器学习研究杂志，1211-244（2001）·Zbl 0997.68109号 ·doi:10.1162/15324430152748236 [53] Tipping，M.E.和Faul，A.C.（2003年）。稀疏贝叶斯模型的快速边缘似然最大化。C.M.Bishop和B.J.Frey（编辑），《第九届人工智能和统计国际研讨会论文集》（第3-6页）。 [54] 嗯，H。；Lee，K。；Kim，K-Y；Shin，G。；Chung，Y.，锰铁合金碳含量对MgO-C耐火材料腐蚀行为的影响，炼铁和炼钢，41，1，31-27（2014）·doi:10.1179/1743281212Y.0000000098 [55] Vapnik，VN，统计学习理论（1998），John Wiley&Sons·Zbl 0935.62007号 [56] Verma，M。；Thirumalaiselvi，A。；Rajasankar，J.，基于核的水泥抗压强度预测模型，神经计算与应用，28，1，1083-1100（2017）·doi:10.1007/s00521-016-2419-0 [57] Wang，W。；徐，Z。；卢·W。；Zhang，X.，用于分类和回归的高斯核扩散参数的确定，神经计算，55，3-4，643-663（2003）·doi:10.1016/S0925-2312（02）00632-X [58] Zaidi，S.，《支持向量机在垂直管热虹吸再沸器两相沸腾传热系数建模中的新应用》，化学工程研究与设计，98，44-58（2015）·doi:10.1016/j.cherd.2015.04.002 [59] 张，C。；何毅。；袁，L。；项，S。；Wang，J.，基于小波去噪和DE-RVM的锂离子电池预测，计算智能和神经科学（2015）·doi:10.1155/2015/918305 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。