来源：期刊VIP网 时间：
作者：张淑芬;李雨欣;屈昌盛;谷铮;高瑞;
单位：华北理工大学理学院;河北省数据科学与应用重点实验室;唐山市数据科学重点实验室;
摘要：目的 针对传统模型在钢铁生产工序中能耗特征提取不充分的问题，方法 提出一种自适应特征提取模型AGRU-Attention。该模型通过引入自适应机制，实现对输入特征权重的动态调整和对GRU(gated recurrent unit,GRU)模型的改进。首先，利用自适应门控单元（adaptive gate unit,AGU）动态调整特征权重，使模型更准确地关注到能耗预测特征因子；其次，通过门控循环单元层充分提取调整后的能耗特征；最后，利用注意力机制对提取出的特征进行加权处理，并将加权后的特征输入到全连接层进行预测输出。为验证所提模型的自适应能力，使用不同来源和数据量的2个数据集，将本文模型与线性回归、支持向量机、CNN、LSTM模型和文献[19]提出的序列到序列GRU模型进行对比。结果 结果表明，AGRU-Attention模型在2个数据集中的预测精度明显优于其他模型。相较于AGRU模型，AGRU-Attention模型在数据集1上的MSE,RMSE,MAE分别降低了99.99%,99.71%,99.67%；在数据集2上的MSE,RMSE,MAE分别降低了98.64%,88.36%,91.27%。这表明AGRU-Attention模型在生产能耗预测中准确性更高。结论 所提模型不仅实现了对输入特征权重的自适应调整，准确提取了不同数据集特征，而且通过注意力机制对特征进行加权，显著提升了模型预测的准确性。
关键词：自适应特征提取;;注意力机制;;钢铁生产;;能耗数据
基金资助：国家自然科学基金资助项目（U20A20179）
