论文部分内容阅读
为了应对火力发电带来的环境问题,研究燃烧优化,预测并降低燃烧过程中产生的污染物就显得尤为重要。虽然基于传统的热工过程参数建立的NO_x预测算法已经取得一些成效,但是在预测精度上仍旧有所欠缺。随着炉膛火焰可视化检测技术的兴起,火焰自由基作为燃烧过程的中间产物正逐渐受到关注,本文基于火焰自由基的图像特征和机器学习算法,围绕NO_x预测算法设计这个主题从以下几个方面开展研究:1、在研究Zernike矩的特性的基础上,提出了基于Zernike矩和最小二乘支持向量回归(Least Square Support Vector Regression,LSSVR)的NO_x预测算法:基于Zernike矩设计火焰自由基图像的特征提取算法,使用LSSVR建立图像特征与NO_x排放之间的非线性关系;以最小化预测模型的均方根误差(Root Mean Square Error,RMSE)为目标,通过优化Zernike矩的阶数取值来调整图像特征提取过程和获取的图像特征的具体形式,进而改善预测算法精度。之后分析图像特征的可变性对NO_x预测结果的影响,说明采取优化图像特征结构这一策略的NO_x预测算法可以获取较为精确的结果。2、针对Zernike矩的阶数取值范围过窄这一不足,使用轮廓波变换获取的分解系数用于描述火焰自由基图像,通过最佳M值逼近和零树扫描结构设计了一类新的具有可变性的图像特征,并提出基于轮廓波分解系数和LSSVR的NO_x预测算法:以最小化预测模型的RMSE值为目标,通过优化轮廓波分解系数的保留个数来降低预测模型的RMSE值;相较于Zernike矩的阶数取值,轮廓波分解系数的保留个数可以提供更大的搜索空间。预测结果也再次验证了通过优化图像特征结构可以改善算法精度。3、通过研究轮廓波变换获取的多尺度框架,提出了将优化图像分解结构这一过程融入NO_x预测算法的思路,设计了基于轮廓波变换的多尺度框架,Zernike矩和LSSVR的NO_x预测算法:以最小化预测模型的RMSE值为目标,通过优化轮廓波变换获取的多尺度框架中方向子带的个数,达到降低RMSE值的目的。预测结果说明将图像分解结构用于设计NO_x预测算法是可行的,通过优化图像的分解结构,可以改善预测算法的精度。4、针对轮廓波的多尺度框架作为图像分解结构时预测结果出现偏差的问题,基于非负矩阵分解理论设计了新的图像分解结构,提出了基于非负矩阵分解,Zernike矩和LSSVR的NO_x预测算法:以最小化预测模型的RMSE值为目标,通过优化图像分解结构中的独立分量个数,达到降低RMSE值的目的。预测结果再次说明图像分解结构用于设计NO_x预测算法的可行性和优点。5、通过研究深度学习理论,提出了基于深度降噪自动编码网络的NO_x预测算法:采用深度自动编码网络对不同种类的火焰自由基图像进行特征学习和特征融合,通过前馈神经网络对用于特征融合的深度自动编码网络进行微调。相较之前提出的预测算法,基于深度学习理论设计的预测算法在预测精度上具有显著优势;但是多个深度降噪自动编码网络构成的学习框架过于复杂,特征学习的过程较为耗时。针对这一不足,设计了基于深度玻尔兹曼机和集成LSSVR模型的NO_x预测算法:深度玻尔兹曼机模型进行快速的图像特征学习,集成LSSVR框架用于降低特征学习框架简化后的影响。