摘要：为实现较高精度的脱硫剂加入量预测，有效提高生产效益，本文提出一种基于改进卷积神经网络（ＣＮＮ）－长短期记忆（ＬＳＴＭ）网络和随机森林（ＲＦ）结合的铁水脱硫两步预测模型。考虑到模型输入数据的相关性，利用皮尔逊相关系数确定各输入参数的相关性并筛选特征。模型以ＣＮＮ－ＬＳＴＭ为基础，增加卷积层和残差连接，在提高挖掘数据的高维特征信息的同时避免网络退化。为增加网络对特征的区分和关注能力，引入多头注意力机制，让网络更加关注特征中的重要信息。使用贝叶斯优化ＲＦ超参数构建误差预测模型从而实现残差推理，对改进的ＣＮＮ－ＬＳＴＭ模型预测结果进行修正。以现场采集的数据进行实验，结果表明，与ＣＮＮ－ＬＳＴＭ模型相比，本文模型的拟合精度Ｒ２提升了１７．１１％，平均绝对值误差ＭＡＥ降低了２４．８５％，均方根误差ＲＭＳＥ降低了３０．１８％，平均绝对百分比误差ＭＡＰＥ降低了２８．３３％。 关键词：ＫＲ脱硫模型；卷积神经网络；长短期记忆网络；注意力机制；随机森林 下载高清全文—基于改进CNN-LSTM和RF的铁水KR脱硫预测模型.pdf