本文利用灰色關(guān)聯(lián)理論分析灰化學(xué)組成及組合參數(shù)對煤灰流動溫度的關(guān)聯(lián)度,選取關(guān)聯(lián)度較大的參數(shù)和文獻中普遍使用的參數(shù)分別當做預(yù)測煤灰流動溫度的變量,利用MATLAB廣義神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)模型,通過測試選取合適的模型。在Visual Studio2010開發(fā)環(huán)境下,結(jié)合MATLAB混合編程的方法,以SQL Server2008建立的煤質(zhì)數(shù)據(jù)庫為后臺、開發(fā)一套基于神經(jīng)網(wǎng)絡(luò)的煤灰熔融溫度預(yù)測系統(tǒng)。研究結(jié)果如下：（1）依據(jù)酸性組分（SiO2+Al2O3+TiO2）大小,將選取的354種煤灰分成五類,分別為：高硅鋁煤灰（≥85%）、中高硅鋁煤灰（80%伍84%）、中硅鋁煤灰（65%-79%）、中低硅鋁煤灰（50%-64%）、低硅鋁煤灰（≤9%）。利用灰色關(guān)聯(lián)理論分析發(fā)現(xiàn)組合參數(shù)酸性組分之和、鐵鈣鎂之和、硅鋁比、鉀鈉之和對煤灰流動溫度的關(guān)聯(lián)度幾乎均大于其單個組分,說明它們對煤灰流動溫度的影響較大。（2）其中針對高硅鋁煤灰又分兩類：硅鋁比≥2且鐵鈣鎂（Fe2O3+CaO+MgO）含量≥8%、硅鋁比<2且鐵鈣鎂（Fe2O3+CaO+MgO）含量<8%,經(jīng)分析發(fā)現(xiàn)后者的煤灰流動溫度均大于1500℃,... 

【文章來源】：安徽理工大學(xué)安徽省

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

灰錐溶融特征示意圖

有一個徑向基隱含層，但有一個特殊的線性層，即兩者只在第二層有微小差異。圖2為GRNN網(wǎng)絡(luò)的結(jié)構(gòu)圖。輸入層 徑向基層 線性層 Qx R iwi'i LW^?‘IP ""“*—1 Qxl I"R^ 11.11 卜、 1 , — Qxi ‘ Kxi QK QXI ‘ ,^ J V ya\ = radbasi^,./JT'?‘ -/>||b]) a, = purelin{n^)圖2廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig2 The generalized regression neural network structure chart如上圖2所示，GRNN網(wǎng)絡(luò)的第一層與徑向基神經(jīng)網(wǎng)絡(luò)原理相同。可以從兩方面理解其工作原理：1)從函數(shù)逼近的觀點看：若把網(wǎng)絡(luò)看成是對未知函數(shù)的逼近，則任何函數(shù)都可以表示成一組基函數(shù)的加權(quán)和。在徑向基網(wǎng)絡(luò)中，相當于選擇各隱含層神經(jīng)元的傳輸函數(shù)，使之構(gòu)成一組基函數(shù)逼近未知函數(shù)。2)從模式識別的觀點看：總可以將低維空間非線性可分的問題映射到高維空間，使其在髙維空間線性可分。在徑向基網(wǎng)絡(luò)中，隱含層的神經(jīng)元數(shù)目一般比標準的BP網(wǎng)絡(luò)的要多，構(gòu)成高維的隱單元空間，同時，隱含層神經(jīng)元的傳輸函數(shù)為非線性函數(shù)，從而完成從輸入空間到隱單元空間的非線性變換。

本對其進行訓(xùn)練，尋找最合適的散步常數(shù)spread，兩種方式的訓(xùn)練結(jié)果經(jīng)反歸一化處理和誤差統(tǒng)計分析后如圖4所示，訓(xùn)練樣本煤灰流動溫度的實驗測量值與預(yù)測值的最大相對誤差均為0.30%，相對誤差的最小值均為0%，平均相對誤差為0.0083%。0.351 1 1 1 1 1 1 1 I 0.351 1 1 1 1 ‘ 1 I 。.3. I ！ - 。.3.: 丨 -0.25. ‘ 丨丨 - 0,25 . 1 -I ：：I ：： . S "'I .戰(zhàn) I I ； ^1-- || I - i -0.1 - I I I - 0.1 ■ . 1 -I II0.05 ? ‘ ！ 1 0.O5 ? -..I , . . I 1 .0 I I I I 1 I I I I 0 ^—I I 1 1 1—I 1 1 1 0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40訓(xùn)練樣本序號 訓(xùn)練樣本序號方式a 方式b圖4中娃鍋煤灰流動溫度預(yù)測網(wǎng)絡(luò)模型的訓(xùn)練相對誤差Fig4 The training relative error of the middle and high silicon aluminium coal ash flow temperatureforecast network model然后用歸一化預(yù)處理后的測試數(shù)據(jù)對以上兩種方式訓(xùn)練形成的網(wǎng)絡(luò)分別進行測試，通過該網(wǎng)絡(luò)預(yù)測，經(jīng)誤差統(tǒng)計分析得出，兩種方式預(yù)測結(jié)果的相對誤差如圖5所示，方式a:測試樣本煤灰流動溫度的實驗測量值與網(wǎng)絡(luò)計算值的最大相對誤差為7.49%，最小相對誤差為0%?


本文編號：3073873