中文摘要：

漏钢预报系统的性能往往取决于其算法模型的性能,支持向量机（SVM）算法在解决小样本、非线性及高维模式识别中具有许多特有优势,能够避免神经网络隐含层节点选择及局部极小值等问题,而不同的SVM算法参数往往会对其性能产生显著影响.为此,本文利用GS 网格搜索法、PSO 粒子群算法和GA 遗传算法对SVM 支持向量机的算法参数进行了优化,并将优化后的SVM 支持向量机算法应用到连铸漏钢预报系统中;利用某钢厂CSP 连铸生产线的历史生产数据对各优化后的SVM 支持向量机算法进行了训练和测试.测试结果表明,用GA 遗传算法优化后的SVM 支持向量机算法测试效果较好,得到了98.33%的预报率和100%的报出率,从而验证了基于SVM 支持向量机漏钢预报系统的可行性和有效性.