乙型正规化方法在焦质预测中的应用研究

抽象的

焦炭是用于高炉冶炼的不可或缺的和重要的烟道，在此期间它起到还原剂，热源和支持骨架的关键作用。建立基于ANN的焦炭质量预测模型，以映射质量参数之间的功能关系m_T.那一种_D., V_d那S._T.那D.，以及结块特性(X那y， 和G)和质量参数一种_D.那S._T.那D.，焦炭反应性指数(CRI)和焦炭反应后强度(CSR)。考虑到网络结构的冗余性可能导致学习不希望的噪声，设计了一种基于Sigmoid函数的正则化网络训练方法，该方法在计算复杂度和训练误差方面去除了对性能影响小、易导致过拟合的权值。经验证的串级前向神经网络对焦炭质量预测效果最好，误差在5%左右，其次是前馈神经网络结构和径向基神经网络结构。叶栅前向神经网络可在焦炭生产过程中起到指导作用。

1.介绍

随着高炉大型化的趋势，焦炭的质量和性能对高炉冶炼效果及其经济技术指标的影响越来越大[1］．不幸的是，不同类型和混合煤的比例会导致不同的焦炭质量[2］．在这种情况下，研究混合煤的物理和化学性质与控制焦质的焦炭之间的关系具有重要意义。

由于焦化试验数据的多维度、动态性、不完全性和不确定性，使其难以收集和处理，使实际生产过程仍处于计划性、不规则状态，导致“数据丰富、知识贫乏”现象的发生[3.］．规则数据挖掘技术能够找到历史数据之间的潜在联系，促进信息传输，从数据挖掘知识，并提供决策[4.］．响应于焦炭质量预测进行了许多研究和实验。alvarez，r等人。使用加法法预测焦炭的CSR属性[5.］．Roest等人。使用不同的统计分析工具（MLR和PCR）和ANN技术来解决同样的问题[6.］．陶培生运用煤岩相结合的思想，结合煤显微组分、焦炭强度等因素，指导了基于煤岩相组成和单煤反射率规律的焦炭质量预测和配煤比的确定[7.］．虽然上述研究丰富了焦炭质量预测模型的理论，但对相关数据采用深度数据规则挖掘的情况比较少见[8.］．已经提出了预测焦炭质量的大量模型，其中大多数仅仅基于煤炭特性并限于相同的煤地理产性，但现在没有发展一般适用的预测公式[9.］．

大量焦化试验数据的统计规律表明，焦炭的物理化学性质与混煤的物理化学性质存在极强的非线性关系[10］．现有的各种人工配煤方案效率低下，应用效果较差，不能满足现代企业的生产需要[11］．幸运的是，通过神经网络技术的采用可以减少时间消耗，并通过规则开采来降低经济成本，并可理性地预测来自混合煤的焦炭的物理和化学性质。

数据规则挖掘技术的应用现在随处可见。指导焦化行业的数据挖掘过程，利用专业知识得出有意义的结果，已成为焦化行业和数学应用领域交叉学科研究者的重要任务。

2.影响焦炭质量的因素

在钢铁工业中，作为燃料的焦炭已经用于为炉渣和金属熔化提供热量[12］．焦炭也用作还原剂，以减少铁矿石到元素铁。因此，影响焦炭属性的参数非常重要[5.］．焦炭生产如图所示1。首先，原料从原料码收集到混合仓库，被破碎机压碎，然后放入焦炉中进行煅烧，最后放入熔炉中以熔炼。

2.1。混合煤特性

混合煤的特性在确定焦质中的关键作用。水分，灰，挥发性，硫和粘贴物质在不同程度上影响它。桌子1说明了混煤含量范围的相应指标及对焦炭生产的影响。

2.1.1。全水分（m_T.）

它是煤中内在水分和外在水分的总和。水分过多不利于加工和运输;燃烧时热稳定性和导热系数变差，焦炭产率降低，结焦时焦化周期延长。因此，它被指定为低于8% [13］．

2.1.2。灰(一种_D.）

煤炭后煤中的灰烬仍然在焦炭中。灰烬太多会导致突然下降的寒冷状态强度，高炉中残留物的增加，最后生产减少。只有在控制混合煤中的灰烬时，才能在焦炭中保证焦炭中的灰分，并且在焦炭中的灰分通常为混合煤中的1.3-1.4倍。因此，混合煤的灰烬一般可控在9％和10％之间[1］．

2.1.3。挥发物(V._d）

煤的变质作用可以通过挥发分反映出来。根据单个煤的挥发分，可以大致加权平均计算出其挥发分。适当添加高挥发分煤可提高焦化煤气和化工产品的产率，最佳含量控制在24% ~ 30% [14］．

2.1.4。硫含量（S._T.那D.）

硫含量是焦炭中有害的成分，其中大部分是通过焦炭进入高炉。猪铁的硫含量直接受其影响，猪铁的质量下降。因此，硫含量的控制是必不可少的。相关研究[15[煤中的60％-70％硫含量从煤中转移到焦炭中，煤中的无机硫作为磺酰化，剩余部分以硫酸盐和硫化物的形式保持灰分。混合煤的焦炭率通常为70％-80％，而焦炭中的硫含量为煤中的80％-90％[16］．因此，混合煤的硫含量应控制在0.6% ~ 0.7%之间。

2.1.5。结块物业

结焦性能是指煤在炼焦过程中形成塑性物质的能力，是炼焦过程的必要条件，影响混煤的结焦性能[17］．它通常可以反映三个索引，X那y， 和G在胶质层。其中,收缩X可以用来估计煤的最终收缩是否会造成焦炭推焦困难，胶质层的最大厚度y表示用混合煤产生的液体和债券指数G在一定程度上反映口香糖的含量。因此，混合煤的粘结性能可以通过所述指标测量。

2.2。指数评估可乐质量

焦炭提供热量和还原气体，在炉膛中占有重要地位。焦炭的热强度(焦炭的反应性指数CRI和反应后的焦炭强度CSR)是判断焦炭质量的主要指标，灰分、硫和挥发分也是判断焦炭质量的主要指标[15那17］．

2．2．1．灰(一种_D.）

焦炭中的灰色主要由siO组成₂,艾尔。₂O._3.和具有高熔点的其他酸性氧化物组合物。在高炉精炼炉渣中，需要大量的溶剂来减少化合物的熔点[18］．焦炭的灰分含量都来自混合煤。灰分含量越高，焦炭的碳含量越少，所需的溶剂越多，渣滓越多，产量越低19］．焦炭中的灰烬是惰性成分，它将减少混合煤的粘结性，增加焦炭裂缝，降低焦电器机械强度。同时，灰分组分中的碱金属氧化物也催化了CO₂焦炭的反应并增加了CO₂反应速度。

2.2.2。硫含量（S._T.那D.）

焦炭中80％-85％的硫含量，作为影响焦炭质量的指标之一来自混合煤。它从高炉冶炼和高炉设计中影响钢中的硫含量，严重破坏环境[20.］．

2.2.3。焦炭热强度

焦炭在高炉中提供热量和碳，作为炉子反应的还原剂;其热强度是反映热工性能的机械强度指标[21］．该指示器表征能够在特定温度和大气中抵抗受到热应力和机械力的压碎和磨损的能力。热性能通常通过焦炭反应性指数（CRI）和反应后的焦强度（CSR）表示。CSI越低，CSR越高，焦炭的热性能越好。同时，它们是用于评估焦炭高温性能的最关键参数[22］．

3.基于领域知识的神经网络

神经网络通常只是在数据驱动机制中进行训练和推广。而在网络中加入所需逼近函数的先验知识(包括对称性、不变常识等知识)，则有助于加快逼近函数的搜索速度，提高预测质量。领域知识侧重于研究所在领域内的重要问题或概念，以及它们之间的相互关系，可以弥补方向性不明确、结果无法解释的不足。

基于当前情况，高质量的焦煤资源相对稀缺，提出了一种多型源焦化方法。考虑到通过焦化环境的固有特性确定的混合煤和焦炭之间的非线性关系，不能通过功能精确描述，神经网络非常适合焦化系统中的焦炭质量预测，这避免了系统特征索引和依赖变量之间的功能描述，根据内存和特征提取获取输入和输出之间的关系，具有泛化，分布式知识存储，关联存储器和并行处理的功能。

3．1．多层前馈反向传播(FB)网络

预处理的样品在传统算法中随机呈现给神经网络，并且通过前向递归显示神经元的输出信号[23]：

根据所选误差能量函数，在负梯度方向上校正参数ζ（N) =F（E._j（N））获得错误信号后E._j（N) =D._j（N） - y_j（N）比较预期值和实际输出[23］．

由于原算法收敛速度较慢，我们研究了另一种算法，大致可分为以下几种:（1）启发式改进算法，包括带动量更新的反向传播算法、搜索收敛方法和可变学习率的批量更新算法（2）数值优化技术，包括共轭梯度背交，基于最小二乘的递归反向化，以及具有自适应激活函数的逆产

敏感区域的概念及其宽度宽度F(˙)在文献[24];每个隐式神经元具有相应的相应敏感区域;神经元的方向依赖于隐藏节点的方向。隐藏的节点在由自己形成的特征空间中相互交互，这会影响神经网络的训练性能。在内部的隐藏节点的输入间隔 被定义为A级敏感区域节点[25]： 在哪里X这个向量是否输入到突触，它的权值是 那j= 1、2、…N那X=[X₁那X₂、……X_N]^T.。X_j连接到神经元问：通过突触的重量 ;非线性激活函数F（˙）能够调节输出的幅度，增强分类，功能近似，抗噪声干扰等的能力;θ.是减少激活函数的累积输入的阈值。

宽度一种_一种定义为[25] 在哪里和输出时表示等效超曲面F（X^T.  + θ.)，分别为a和0，‖w‖为L.₂矩阵规范（也称为欧几里德规范）。

3.2。径向基函数（RBF）网络

多层感知器的函数逼近是通过嵌套加权和实现的，RBF本身是一种遵循插值理论的一般逼近器，从数学角度看它是精细而严密的。与多层感知的随机逼近不同，基于径向基函数的径向基函数在求解非线性映射问题时包括两个阶段:高维变换和输入样本的最小二乘估计。其思想是将样本的非线性映射到高维空间，在那里执行单加权和并最终输出结果。用可配置盖定理解释了其合理性。经典的训练方法是在无监督模式下用K-means聚类算法对隐含层进行训练，然后用递归最小二乘法计算输出层的权向量。该方法具有计算简单、收敛速度快的特点。给出样本后，进行如下计算:（1）假设训练集和迭代的数量N= 1、2、…N已知已经知道。初始化=0.那=λ.^-1一世， 在哪里λ.是一个小正数。（2）对于给定的编码器C，最小化总集群方差根据聚类意思 那导致聚类均值 那最小化编码器 。重复步骤，直到聚类结果保持不变。（3）计算 那在哪里P.（N）= R.^-1（N）和r（N)是K. × K.隐藏单位的订单相关功能： 那 ;他们之中， j= 1、2、…K。（4） （N) =P.（N·φ（N)．(5） 。(6） ：得到了输出层的权向量。

3.3。算法更好地是神经网络泛化

网络的训练过程可以看作是构建拟合曲线的过程。当网络计算的映射是正确的，尽管输入超出了训练样本时，该网络具有很好的泛化能力。在冗余网络结构中出现过拟合现象，多余的突触记忆信息的意外特征。很容易看出，由(4.)表示节点泛化能力越强。此外，理想函数是对给定误差的逼近和映射函数的最光滑函数，占用较少的计算资源。而寻找它的过程被称为网络剪枝。本节开发了一种基于Sigmoid函数敏感区域的正则化网络训练算法，具体过程如图所示2。

等式中提出的激活功能的敏感区域（4.)引入均方误差性能函数: 在神经元K.是输出节点。

敏感区域越宽，节点泛化能力越强。考虑到敏感区域的分布和网络的抗干扰能力，对并联网络的参数进行了修正。然后在剪枝过程中，利用误差函数的二阶信息，考虑复杂度和训练误差性能，去除多余权值，即对性能影响小而导致过度训练的权值。最后的参数使剔除性能函数时最大限度地减少性能函数的增长成为可能，这是考虑复杂性和错误性能的理想折衷，并进一步增强泛化能力。

培训实际上是非线性输入和输出的拟合过程，网络的泛化可以被视为验证数据的非线性插值。据说网络在发生过度拟合时，该网络损失了在其他样本中拓展的能力。级联网络中的许多隐藏单元可能会储存过多的噪声效果。在这种情况下，使用交叉验证是必要的。

在SET查看周期下检查相应参数状态的验证误差，如果传递验证，则输入下一个周期。训练误差随着训练时间的增加而收敛，而验证错误单调减少，然后升高。在交叉最小点之后，网络开始捕获噪声信息。因此，该状态被认为是减少过度拟合的发生的阻止标准。

4.焦炭质量预测模型

4.1。数据预处理

通常，未经处理的数据的直接输入不是最佳的。例如，逻辑激活函数的有限极限是（0,1），但样本值与其有限限制相比，这导致函数几乎饱和，训练停滞不前。另外，BackPropagation算法类似于LMS算法，其中计算时间严重依赖于条件号λ._马克斯/λ._最小值。这λ._马克斯/λ._最小值非零均值输入的值大于零均值输入的值。

因此，要求整个训练集上数据的平均值都接近于0。传统的处理方法是均值定心和方差调节。让输入和输出模式 那 按列安排，计算平均值Nth排一种和P.th排C，并在每行中减去这种平均值。计算差异N-投放一种和P.-投放C，并划分每行中的相应值。输入矩阵的处理一种和输出模式矩阵C应该是同步的。

4.2。多层馈送反向化网络

混合煤的参数被选为输入的输入和焦质，如图所示的FB模型中的输出3.;级联前向网络可用于解决更复杂的问题并改善训练精度，其中每个后续层连接到输入层，并且相邻的层和输出直接受输入层的影响。

激励函数用于处理夏季的结果，而非线性函数一般用于最大化网络的效率。本文采用logsig函数和tansig函数进行组合试错。

在cascade forward backpropagation (CF)结构中，可以看出该训练方法所能获得的精度和拟合效果都优于其他训练函数;因此，本文将其固定为训练函数。

隐藏节点的数量取决于训练样本的数量、噪声的大小和数据中隐藏的规则。通常，隐藏节点的数量最好是输入层数量的两倍。通过对单个隐含层中12-16个节点的大量测试表明，16个节点的预测效果最好。

4.3。RBF.

预先给出N个样品和参数R.指定培训集之间的划分和验证一个 。然后，有（1-R.）N样品在和rN样品在 。参数的选择是一个很好的选择R.根据KEAMS的仿真实验，固定值为0.2;也就是说，训练集被分配了80％的样本，并且剩余的样本分布在验证集中 。

输入节点的数量取决于输入向量的维度X，书面书写m_0.。

隐藏图层的大小m₁由计划集群的数量决定，控制网络性能和计算复杂性。

集群的意思通过聚类算法获得并用作基本函数的中心φ.（X_j）被称为X_j。

σ.=D._马克斯/ 2.K.是扩展参数，在哪里D._马克斯表示中心之间的最大距离，确保隐藏层单元既不太尖锐也不太平坦。

5.仿真结果和分析

800套混合煤质量参数及其相应的焦炭质量指标从1000套预处理数据中随机选择分别用于训练FB，CF和RBF网络。

5．1.培训结果与分析

RBF可以满足封面定理所需的条件。通过remowbe和newRB在构建网络时考虑权重和阈值的调整，因此网络没有特定的培训和学习功能。在这种情况下，仅通过数字中的错误曲线比较FB和CF网络的培训结果4.和5.：

从图中可以看出，两个网络的培训，验证和测试的结果基本保持一致。在几乎相同的迭代号下，级联向前网络的性能达到0.01，显示出比前向网络的行为稍微更好（0.05），而训练时间接近，而两个网络的预测误差整体相对较小。

5.2。预测结果与分析

将剩下的200套混合煤质参数通过上述训练网络进行焦炭质量预测，灰分、硫、CRI、CSR预测结果如图所示5.-8.。预测误差为5％和10％代表业务所需的不同程度。

与图中“◃”的符号的线条6.-9.表示误差率为10％，具有数字中“▹”的符号的行6.-9.表示−10%的误差，符号为▵的线表示5%的误差，符号为▿的线表示-5%的误差，符号为〇的线表示0%的误差。“×”、“−”、“|”分别表示FB、CF和RBF网络的预测结果。

在FB、CF和RBF网络中，只有3组火山灰预测误差大于10%，而误差在5% ~ 10%之间的分别有51、29和48组。在FB和RBF网络中分别有13和12个集合，CF网络中有1个集合，预测误差大于8%。它也可以从图中加以说明6.与FB和RBF网络的结果相比，CF网络的预测值更接近0％误差裕度线。因此，结论显然可以绘制CF网络在灰预测方面比其他人更好地表现得多。

三个网络的硫含量的预测误差全部内在10％以内，54,17和27套的误差分别超过5％。硫含量预测比灰分的预测更优异，RBF优于预测的BP。它也可以从图中看到7.在5％误差距离线外的CF网络的预测值的数量显着小于FB和RBF网络。CF网络在硫含量预测完成时表现出色。

对于CRI指数，29,10和32组样本的三个网络中的错误也在10％内控制，其中误差超过5％。CRI的预测效果远优于前指标的效果。结果表明，5％误差边缘线外的FB和RBF网络的预测值的数量显着大于CF网络的数量，并且CF的大部分误差位于5％误差边缘线内。

FB网络对CSR的预测不是很好，有10组误差在10% - 15%之间，而其他两个网络只有2组有相同的误差。三种网络的预测误差分别为62、19和24组，误差均大于5%，在四种属性的预测中，CRI的总体预测效果最差。结果表明，FB网络的预测值大多分布在5% ~ 10%的误差范围内，效果较差;黄线附近CF网络的值略高于RBF。因此，CF网络非常适合于本文选择的数据结构的预测。

总体来看，四种性质的预测结果都比较令人满意，预测精度较高，其中CRI的预测效果最好，CSR的预测结果最令人失望。三种网络中，级联前向网络表现最好，大部分误差控制在5%以内，而前向BP网络表现最差，大部分预测误差在5% ~ 10%之间，甚至超过10%。

6。结论

基于前向BackProjagation网络，级联前后反向网络和径向基础网络以及径向基础网络的三个用于焦炭质量预测网络以及相应的结果。结果表明，CRI的预测最接近所有三个网络中的误差在10％内的实际值，比CSR的误差更好，在14套样本中的10％和15％之间的误差。四个属性的预测误差均为15％，可以说三个网络都具有相对高的预测精度。涉及到网络结构时，级联向前网络的表现最佳，错误主要控制在5％以内，这在焦炭生产过程中作为一定程度的焦点。它是每层和前部的附加连接，以确保预测精度。隐藏层越靠近输出层，对权重调整的效果的信息量越大。传统的前向网络在这里不适合，因为它的大多数误差在5％到10％之间，甚至超过10％。通过这种方式，结论是级联向前网络与本文中选择的数据结构匹配。

然而，主要的预算约束是大规模样本的计算时间，内部连接数量大的级联网络的优势可能不再明显;因此，大规模的学习问题有待进一步研究。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

利益冲突

作者声明他们没有利益冲突。

作者的贡献

所有作者的所有作者都在贡献到这项工作。

致谢

基金资助:国家自然科学基金资助项目(no。河北省教育厅科技计划资助项目(51974131);国家自然科学基金杰出青年基金资助项目(no. BJ2017021);河北省优秀青年自然科学基金资助项目(JQ201711);河北省2020年研究生示范课程项目(E2018209248);(KCJSX2020053)、NCST项目建设与研究生示范课程建设。

参考文献

1. H.P.Tiwari，S.K.Haldar，A. Roy，A.Bhattacharjee和P. Mishra，“数据采矿 - 预测恢复券收取焦炭制作过程中的焦炭质量的新观点”冶金研究与技术，卷。112，没有。6，p。603,2015。视图:出版商的网站|谷歌学术
2. X. Tang，S. Snowden，B.C.Mclellan和M.Höök，“中国清洁煤炭：挑战和政策影响”能源政策，第87卷，517-523页，2015。视图:出版商的网站|谷歌学术
3. H. V. Jagadish, J. Gehrke, A. Labrinidis等人，“大数据及其技术挑战，”ACM通信，卷。57，没有。7，pp。86-94,2014。视图:出版商的网站|谷歌学术
4. X. Jin，B. W. Wah，X. Cheng和Y. Wang，“大数据研究的意义和挑战”，大数据研究，卷。2，不。2，pp。59-64,2015。视图:出版商的网站|谷歌学术
5. S.C.Chelgani，S. S. Matin和J. C. Hower，“通过随机森林方法解释焦炭质量指数和煤炭物质之间的关系”燃料，卷。182，pp。754-760,2016。视图:出版商的网站|谷歌学术
6. R. Roest，H. Lomas，K. Hockings和M. R.Mahoney，“冶金焦损伤分析的Fretography方法。第1部分：单一煤炭的焦炭，“燃料，第180卷，785-793页，2016。视图:出版商的网站|谷歌学术
7. K. Shahzad, S. Kanwal, S. Nawaz, N. Sheikh, S. Munir，“水分和配煤对巴基斯坦煤炭硬林可磨性指数的影响”，国际煤炭制备与利用杂志第34卷，没有。1，页1 - 9,2014。视图:出版商的网站|谷歌学术
8. J. P. Mathews，V.Krishnamoorthy，E.Louw等，“煤炭性质与元素组成相关的综述，”燃料加工技术，卷。121，pp。104-113,2014。视图:出版商的网站|谷歌学术
9. 张磊，刘伟，Men D.，“煤显微组分精矿的制备和焦化特性”，国际采矿科学与技术杂志，第24卷，没有。1，页93-98,2014。视图:出版商的网站|谷歌学术
10. R. Morga，I.Jelonek，K.Kruszewska和W. Szulik，“煤炭质量与这些焦炭的微调和微拉曼光谱特征之间的关系”国际煤炭地质杂志， vol. 144-145, pp. 130-137, 2015。视图:出版商的网站|谷歌学术
11. B. D. Flores, a . G. Borrego, M. a . Diez等人，“焦炭光学结构是如何成为理解配煤和焦炭质量的相关工具的，”燃料加工技术，卷。164，pp。13-23,2017。视图:出版商的网站|谷歌学术
12. M. A. Dıez, R. Alvarez和C. Barriocanal，《焦炭生产用煤:焦炭质量的预测和焦炭制造的未来要求》，国际煤炭地质杂志第50卷，没有。1-4页，389-412,2002。视图:出版商的网站|谷歌学术
13. 刘超，谢振中，孙峰，陈林，“焦化过程的火用分析与优化”，能源，卷。139，pp。694-705,2017。视图:出版商的网站|谷歌学术
14. J. Chen，G. Liu，H.Li，B. Wu，“煤炭淮南煤矿番石煤矿，中国淮南煤矿矿物学和地球化学反应”，“国际煤炭地质杂志，卷。124，pp。11-35,2014。视图:出版商的网站|谷歌学术
15. S.-F。张,L.-Y。“高硫煤焦化过程中添加剂对焦炭晶体结构和性质的影响”，钢铁研究杂志，卷。22，没有。10，pp。897-904,2015。视图:出版商的网站|谷歌学术
16. R. M. Garbarino和R.T.Tonti，“脱硫及其对煅烧焦炭属性的影响”光金属的基本读数，pp.119-122，Springer International Publishing，Cham，Switzerland，2016。视图:出版商的网站|谷歌学术
17. S. S. Raaj, S. Arumugam, M. Muthukrishnan, S. Krishnamoorthy和N. Anantharaman，“火力发电厂有效利用煤混合物的特性”，应用热工程，卷。102，pp。9-16,2016。视图:出版商的网站|谷歌学术
18. R. Loison，P. Foch和A. Boyer，可口可乐：质量和生产，elestvier，阿姆斯特丹，荷兰，2014年。
19. A. Ahmadpour，N. Jahanshahi，S.Rashidi，N.Chenarani和M. J. D.Mahboub，“人工神经网络和适应性神经模糊推理系统的应用预测甲烷储存的活性炭特性”吸附科技第32卷，第2期。4，页275-290,2014。视图:出版商的网站|谷歌学术
20. L. C. Edwards，K.Neyrey和L.P. Lockius，“焦炭和阳极脱硫的综述”。光金属的基本读数，“铝生产电极技术，卷。第4卷，pp。130-135,2013。视图:出版商的网站|谷歌学术
21. S. S. Matin和S.C.Chelgani，“基于随机林法的各种分析估计煤总热值”，燃料，卷。177，pp。274-278,2016。视图:出版商的网站|谷歌学术
22. S. Haykin，神经网络和学习机皮尔森，上马鞍河，美国新泽西州，2009年。
23. M. R. Patil和P. Sawant，“印度shree水泥公司的企业社会责任、绩效和可持续发展报告:一个案例研究”，高科技管理研究学报，卷。3，不。4，第74-87,2014。视图:谷歌学术
24. E. Hadavandi, J. C. Hower, S. C. Chelgani，“基于支持向量回归方法的总热值建模”，建模地球系统和环境，卷。3，不。1，p。2017年37日。视图:出版商的网站|谷歌学术
25. L. Ljung，“系统辨识”，中信号分析和预测，pp.163-173，Birkhäuserboston，巴塞尔，瑞士，1998年。视图:谷歌学术

版权

版权所有©2020 Shaohong Yan等人。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。