基于火焰自由基成像的NOx排放預(yù)測(cè)算法研究.pdf

1、為了應(yīng)對(duì)火力發(fā)電帶來(lái)的環(huán)境問(wèn)題，研究燃燒優(yōu)化，預(yù)測(cè)并降低燃燒過(guò)程中產(chǎn)生的污染物就顯得尤為重要。雖然基于傳統(tǒng)的熱工過(guò)程參數(shù)建立的NOx預(yù)測(cè)算法已經(jīng)取得一些成效，但是在預(yù)測(cè)精度上仍舊有所欠缺。隨著爐膛火焰可視化檢測(cè)技術(shù)的興起，火焰自由基作為燃燒過(guò)程的中間產(chǎn)物正逐漸受到關(guān)注，本文基于火焰自由基的圖像特征和機(jī)器學(xué)習(xí)算法，圍繞NOx預(yù)測(cè)算法設(shè)計(jì)這個(gè)主題從以下幾個(gè)方面開(kāi)展研究:
　　1、在研究Zernike矩的特性的基礎(chǔ)上，提出了基于Zern

2、ike矩和最小二乘支持向量回歸(Least Square Support Vector Regression，LSSVR)的NOx預(yù)測(cè)算法:基于Zernike矩設(shè)計(jì)火焰自由基圖像的特征提取算法，使用LSSVR建立圖像特征與NOx排放之間的非線性關(guān)系;以最小化預(yù)測(cè)模型的均方根誤差(Root Mean Square Error，RMSE)為目標(biāo)，通過(guò)優(yōu)化Zernike矩的階數(shù)取值來(lái)調(diào)整圖像特征提取過(guò)程和獲取的圖像特征的具體形式，進(jìn)而改善預(yù)測(cè)

3、算法精度。之后分析圖像特征的可變性對(duì)NOx預(yù)測(cè)結(jié)果的影響，說(shuō)明采取優(yōu)化圖像特征結(jié)構(gòu)這一策略的NOx預(yù)測(cè)算法可以獲取較為精確的結(jié)果。
　　2、針對(duì)Zernike矩的階數(shù)取值范圍過(guò)窄這一不足，使用輪廓波變換獲取的分解系數(shù)用于描述火焰自由基圖像，通過(guò)最佳M值逼近和零樹(shù)掃描結(jié)構(gòu)設(shè)計(jì)了一類(lèi)新的具有可變性的圖像特征，并提出基于輪廓波分解系數(shù)和LSSVR的NOx預(yù)測(cè)算法:以最小化預(yù)測(cè)模型的RMSE值為目標(biāo)，通過(guò)優(yōu)化輪廓波分解系數(shù)的保留個(gè)數(shù)來(lái)降低

4、預(yù)測(cè)模型的RMSE值;相較于Zernike矩的階數(shù)取值，輪廓波分解系數(shù)的保留個(gè)數(shù)可以提供更大的搜索空間。預(yù)測(cè)結(jié)果也再次驗(yàn)證了通過(guò)優(yōu)化圖像特征結(jié)構(gòu)可以改善算法精度。
　　3、通過(guò)研究輪廓波變換獲取的多尺度框架，提出了將優(yōu)化圖像分解結(jié)構(gòu)這一過(guò)程融入NOx預(yù)測(cè)算法的思路，設(shè)計(jì)了基于輪廓波變換的多尺度框架，Zernike矩和LSSVR的NOx預(yù)測(cè)算法:以最小化預(yù)測(cè)模型的RMSE值為目標(biāo)，通過(guò)優(yōu)化輪廓波變換獲取的多尺度框架中方向子帶的個(gè)數(shù)，

5、達(dá)到降低RMSE值的目的。預(yù)測(cè)結(jié)果說(shuō)明將圖像分解結(jié)構(gòu)用于設(shè)計(jì)NOx預(yù)測(cè)算法是可行的，通過(guò)優(yōu)化圖像的分解結(jié)構(gòu)，可以改善預(yù)測(cè)算法的精度。
　　4、針對(duì)輪廓波的多尺度框架作為圖像分解結(jié)構(gòu)時(shí)預(yù)測(cè)結(jié)果出現(xiàn)偏差的問(wèn)題，基于非負(fù)矩陣分解理論設(shè)計(jì)了新的圖像分解結(jié)構(gòu)，提出了基于非負(fù)矩陣分解，Zernike矩和LSSVR的NOx預(yù)測(cè)算法:以最小化預(yù)測(cè)模型的RMSE值為目標(biāo)，通過(guò)優(yōu)化圖像分解結(jié)構(gòu)中的獨(dú)立分量個(gè)數(shù)，達(dá)到降低RMSE值的目的。預(yù)測(cè)結(jié)果再次說(shuō)

6、明圖像分解結(jié)構(gòu)用于設(shè)計(jì)NOx預(yù)測(cè)算法的可行性和優(yōu)點(diǎn)。
　　5、通過(guò)研究深度學(xué)習(xí)理論，提出了基于深度降噪自動(dòng)編碼網(wǎng)絡(luò)的NOx預(yù)測(cè)算法:采用深度自動(dòng)編碼網(wǎng)絡(luò)對(duì)不同種類(lèi)的火焰自由基圖像進(jìn)行特征學(xué)習(xí)和特征融合，通過(guò)前饋神經(jīng)網(wǎng)絡(luò)對(duì)用于特征融合的深度自動(dòng)編碼網(wǎng)絡(luò)進(jìn)行微調(diào)。相較之前提出的預(yù)測(cè)算法，基于深度學(xué)習(xí)理論設(shè)計(jì)的預(yù)測(cè)算法在預(yù)測(cè)精度上具有顯著優(yōu)勢(shì);但是多個(gè)深度降噪自動(dòng)編碼網(wǎng)絡(luò)構(gòu)成的學(xué)習(xí)框架過(guò)于復(fù)雜，特征學(xué)習(xí)的過(guò)程較為耗時(shí)。針對(duì)這一不足，設(shè)計(jì)