Resumen

La tecnología de sensores suaves juega un papel vital en el seguimiento y monitoreo de los indicadores clave de producción del proceso de molienda y clasificación. La máquina de vectores de soporte de mínimos cuadrados (LSSVM, por sus siglas en inglés), como un modelo de sensor suave con una fuerte capacidad de generalización, puede ser utilizada para predecir los indicadores clave de producción en procesos de molienda complejos. El método tradicional de validación cruzada no puede obtener los parámetros de estructura ideales de LSSVM. Con el fin de mejorar la precisión de predicción de LSSVM, se propuso un algoritmo de optimización de Harris Hawk de seno dorado (GSHHO) para optimizar los parámetros de estructura de los modelos LSSVM con núcleo lineal, núcleo sigmoide, núcleo polinomial y núcleo de base radial, y se estudiaron las influencias del algoritmo GSHHO en la precisión de predicción bajo estos modelos LSSVM. Para hacer frente al problema

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Tecnología de sensor suave; Modelo LSSVM; Algoritmo GSHHO; Precisión de predicción; Estrategia MW; Modelo híbrido de sensor suave
• Keywords:Soft-sensor technology; LSSVM model; GSHHO algorithm; Prediction accuracy; MW strategy; Hybrid soft-sensing model