基于神經網絡和支持向量機的蔗渣鍋爐煙氣氧含量軟測量模型.pdf

1、分類號TP273UDC6213編號專業(yè)學位碩士學位論文基于神經網絡和支持向量機的蔗渣鍋爐煙氣氧含量軟測量模型謝一飛論文答辯日期2Q!魚：513Q學位授予日期答辯委員會主席壟笙麴拯2016630論文評閱人遞星云教援黃基壹副熬援基于神經網絡和支持向量機的蔗渣鍋爐氧含量軟測量模型摘要煙氣氧含量是確保蔗渣鍋爐燃燒優(yōu)化控制的重要因素之一。通過煙氣氧含量的監(jiān)測可以對鍋爐燃燒系統(tǒng)過程中的風燃比值進行及時有效的調節(jié)，降低熱損失，提高效率，從而使鍋爐燃燒

2、得到優(yōu)化。目前，蔗渣鍋爐系統(tǒng)主要利用熱磁式氧量傳感器和氧化鋯氧量傳感器進行煙氣氧含量的測量。但這些氧量分析儀精度差、價格昂貴、使用壽命短，并且測量時滯后較大，不利于鍋爐燃燒過程中的在線實時監(jiān)視。針對這些問題，本論文基于蔗渣鍋爐煙氣氧含量的特點、各影響因素之問的關系、常見軟測量模型、數據處理等基礎知識，決定采用神經網絡和支持向量機的方法對蔗渣鍋爐氧含量進行軟測量建模。本文首先對采集的數據進行分析和預處理，再用BP神經網絡來進行軟測量建模。

3、由于預測數據誤差較大，泛化能力差，故對其方法進行改進，采用了改進型Elman神經網絡方法。該方法可有效地提高預測精度，更易于收斂。然而由于神經網絡具有的不穩(wěn)定性和局部極小點的問題，本文決定改用回歸支持向量機(SVR)方法進行建模。該方法采用訓練誤差的平方來代替松弛變量，但是計算量過大，訓練時間較長。為了避免求解二次規(guī)劃問題，提高訓練的速度，采用最小二乘支持向量機(LS—SVR)。可是LSSVR由于懲罰因子C及高斯核函數參數仃的參數選擇，