摘要：带钢在退火炉内进行长时间加热的过程中，由于炉内温度、张力以及带钢运行速度等变量间具有多重相关性且存在生产数据噪声，从而难以准确预测炉内带钢的延伸量。本文提出了一种基于遗传算法的ＢＰ神经网络理论（ＧＡ－ＢＰ神经网络）与最小二乘支持向量机（ＬＳＳＶＭ）理论相结合的算法用于目标函数拟合，该算法兼顾最小二乘支持向量机的全局与局部拟合能力，有效避免算法陷入局部最优的缺点，利用改进的ＢＰ神经网络算法优化选择ＬＳＳＶＭ模型的惩罚因子和核函数参数，以避免人为选择参数的盲目性，使ＬＳＳＶＭ具有更好的泛化能力和预测精度。将该方法应用到退火炉内带钢的延伸量预测，通过现场生产数据仿真模拟进行非线性函数估计，结果表明：本文所提出的方法具有良好的预测精度，可以应用于实际生产。关键词：带钢延伸量；软测量；遗传算法；ＢＰ神经网络；最小二乘支持向量机下载全文——基于改进的最小二乘支持向量机的退火炉内带钢延伸量预测_.pdf