發(fā)布時(shí)間：2023-04-16 13:54

　　極端學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)是一種運(yùn)算速度快、泛化能力好的單隱層前饋神經(jīng)網(wǎng)絡(luò);教與學(xué)優(yōu)化算法(Teaching-Learning-Based Optimization Algorithm,TLBO)是一種啟發(fā)式算法,其受班級(jí)教學(xué)行為的啟發(fā)而提出。它們能夠解決復(fù)雜系統(tǒng)的建模和優(yōu)化問題,且已經(jīng)應(yīng)用于多種領(lǐng)域。由于循環(huán)流化床鍋爐(Circulation Fluidized Bed Boiler,CFBB)的燃燒過程非常復(fù)雜,傳統(tǒng)方法難以建立其燃燒特性模型和實(shí)現(xiàn)其燃燒過程優(yōu)化。因此,本文對(duì)ELM和TLBO算法進(jìn)行了深入研究,并將其應(yīng)用于CFBB的燃燒過程建模和優(yōu)化,可實(shí)現(xiàn)鍋爐高效低污染燃燒。本文的研究內(nèi)容具有理論意義和實(shí)際應(yīng)用價(jià)值,主要研究內(nèi)容概括如下:針對(duì)原始ELM模型參數(shù)和模型結(jié)構(gòu)的設(shè)置問題,本文提出三種改進(jìn)的極端學(xué)習(xí)機(jī)。為了提高ELM對(duì)訓(xùn)練樣本數(shù)據(jù)的自適應(yīng)性和模型穩(wěn)定性,提出樣本自適應(yīng)極端學(xué)習(xí)機(jī),其輸入權(quán)閾值可根據(jù)訓(xùn)練樣本數(shù)據(jù)確定,且其具有新型隱層激活函數(shù)。此外,提出一種優(yōu)化型極端學(xué)習(xí)機(jī),采用人工智能優(yōu)化算法尋找極端學(xué)習(xí)機(jī)的最佳輸入權(quán)閾值,使EL...

【文章頁數(shù)】：141 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景及意義
    1.2 鍋爐燃燒優(yōu)化問題概述及國內(nèi)外研究現(xiàn)狀
    1.3 ELM研究現(xiàn)狀
    1.4 TLBO算法研究現(xiàn)狀
    1.5 本文的主要研究內(nèi)容及結(jié)構(gòu)安排
第2章 ELM算法及其改進(jìn)
    2.1 引言
    2.2 ELM簡介
        2.2.1 ELM的學(xué)習(xí)過程
        2.2.2 ELM的本質(zhì)
        2.2.3 ELM的相關(guān)理論
    2.3 樣本自適應(yīng)ELM
        2.3.1 輸入權(quán)閾值的確定
        2.3.2 隱層激活函數(shù)的確定
        2.3.3 仿真實(shí)驗(yàn)
    2.4 優(yōu)化型ELM
        2.4.1 隱層節(jié)點(diǎn)個(gè)數(shù)確定
        2.4.2 輸入權(quán)閾值優(yōu)化
    2.5 基于樣本增量的量子雙并聯(lián)前饋神經(jīng)網(wǎng)絡(luò)
        2.5.1 量子雙并聯(lián)前饋神經(jīng)網(wǎng)絡(luò)
        2.5.2 樣本增量量子雙并聯(lián)前饋神經(jīng)網(wǎng)絡(luò)
    2.6 本章小結(jié)
第3章 TLBO算法及其改進(jìn)
    3.1 引言
    3.2 TLBO算法原理
        3.2.1 教學(xué)行為的描述
        3.2.2 TLBO算法數(shù)學(xué)描述
    3.3 算法融合型TLBO算法
        3.3.1 混沌分組TLBO算法
        3.3.2 基于混沌搜索算法的TLBO算法
        3.3.3 仿真實(shí)驗(yàn)及分析
    3.4 基于“真實(shí)教學(xué)”現(xiàn)象的TLBO算法
        3.4.1 教階段
        3.4.2 學(xué)階段
        3.4.3 仿真實(shí)驗(yàn)及分析
    3.5 本章小結(jié)
第4章 循環(huán)流化床鍋爐燃燒過程建模
    4.1 引言
    4.2 循環(huán)流化床鍋爐簡介
        4.2.1 循環(huán)流化床鍋爐工作原理
        4.2.2 CFBB熱效率的計(jì)算
        4.2.3 CFBB的NO_x產(chǎn)生形式
        4.2.4 CFBB的SO₂產(chǎn)生形式
        4.2.5 CFBB建模數(shù)據(jù)來源及說明
    4.3 熱效率建模
        4.3.1 基于AELM的熱效率建模
        4.3.2 基于優(yōu)化型ELM的熱效率建模
        4.3.3 熱效率在線建模
    4.4 氮氧化合物建模
        4.4.1 基于AELM的NO_x排放濃度建模
        4.4.2 基于優(yōu)化型ELM的NO_x排放濃度建模
        4.4.3 NO_x排放濃度在線建模
    4.5 二氧化硫建模
        4.5.1 基于AELM的SO₂排放濃度建模
        4.5.2 基于優(yōu)化型ELM的SO₂排放濃度建模
        4.5.3 SO₂排放濃度在線建模
    4.6 綜合建模
    4.7 本章小結(jié)
第5章 循環(huán)流化床鍋爐燃燒優(yōu)化
    5.1 引言
    5.2 優(yōu)化目標(biāo)分析
    5.3 單獨(dú)優(yōu)化熱效率
        5.3.1 基于AELM離線模型的鍋爐熱效率優(yōu)化
        5.3.2 基于QFNN在線模型的鍋爐熱效率優(yōu)化
    5.4 單獨(dú)優(yōu)化NOx

        5.4.1 基于AELM離線模型的NO_x優(yōu)化
        5.4.2 基于QFNN在線模型的NO_x優(yōu)化
    5.5單獨(dú)優(yōu)化SO₂

        5.5.1 基于AELM離線模型的SO₂優(yōu)化
        5.5.2 基于QFNN在線模型的SO₂優(yōu)化
    5.6 鍋爐燃燒過程多目標(biāo)優(yōu)化
        5.6.1 Pareto多目標(biāo)教與學(xué)優(yōu)化算法
        5.6.2 鍋爐燃燒過程多目標(biāo)優(yōu)化
    5.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3791391

boshi