自动化仪表
自動化儀錶
자동화의표
PROCESS AUTOMATION INSTRUMENTATION
2015年
3期
68-72
,共5页
孙栓柱%李益国%周春蕾%代家元%王明
孫栓柱%李益國%週春蕾%代傢元%王明
손전주%리익국%주춘뢰%대가원%왕명
湿法脱硫%脱硫效率%BP神经网络%样本优选%预测
濕法脫硫%脫硫效率%BP神經網絡%樣本優選%預測
습법탈류%탈류효솔%BP신경망락%양본우선%예측
Wet desulfurization%Desulfurization efficiency%BP neural network%Preferred sample selection%Prediction
样本质量对神经网络的性能有重要影响,如何从高速增长的海量数据中选择训练样本是一个难点.针对这一问题,运用一种基于数据分布和聚类分析的样本优选方法对海量数据进行预处理,快速剔除数据集中的噪声信号,选择具有代表性的样本,从而有效缩小样本空间、改善样本质量.最后,以燃煤机组石灰石-石膏湿法脱硫系统脱硫效率为输出参数,选取影响脱硫效率的7个主要测点为输入参数,建立BP神经网络预测模型,并应用提出的样本优选方法从海量历史数据中选取样本数据对模型进行训练和测试.训练后的模型平均预测绝对误差达到0.75％,而且对不同工况的预测精度均较为平均.
樣本質量對神經網絡的性能有重要影響,如何從高速增長的海量數據中選擇訓練樣本是一箇難點.針對這一問題,運用一種基于數據分佈和聚類分析的樣本優選方法對海量數據進行預處理,快速剔除數據集中的譟聲信號,選擇具有代錶性的樣本,從而有效縮小樣本空間、改善樣本質量.最後,以燃煤機組石灰石-石膏濕法脫硫繫統脫硫效率為輸齣參數,選取影響脫硫效率的7箇主要測點為輸入參數,建立BP神經網絡預測模型,併應用提齣的樣本優選方法從海量歷史數據中選取樣本數據對模型進行訓練和測試.訓練後的模型平均預測絕對誤差達到0.75％,而且對不同工況的預測精度均較為平均.
양본질량대신경망락적성능유중요영향,여하종고속증장적해량수거중선택훈련양본시일개난점.침대저일문제,운용일충기우수거분포화취류분석적양본우선방법대해량수거진행예처리,쾌속척제수거집중적조성신호,선택구유대표성적양본,종이유효축소양본공간、개선양본질량.최후,이연매궤조석회석-석고습법탈류계통탈류효솔위수출삼수,선취영향탈류효솔적7개주요측점위수입삼수,건립BP신경망락예측모형,병응용제출적양본우선방법종해량역사수거중선취양본수거대모형진행훈련화측시.훈련후적모형평균예측절대오차체도0.75％,이차대불동공황적예측정도균교위평균.
