典型文献
基于深度卷积神经网络和支持向量机的NOx浓度预测
文献摘要：
NOx浓度的准确预测对于燃烧优化控制至关重要,有利于提高能源利用效率和减少环境污染.提出了一种基于深度卷积神经网络(deep convolution neural network,DCNN)和支持向量机(support vector machine,SVM)的NOx浓度预测方法.该方法首先利用DCNN对火焰图像的深层特征进行提取,然后采用支持向量机对所提取到的深层特征进行分析,从而实现NOx浓度预测.通过采集4.2MW重油燃烧锅炉不同燃烧工况下的火焰图像与NOx浓度,对所提出的预测方法的有效性进行测试.试验结果表明,在不同燃烧工况下,DCNN-SVM的均方根误差为1.58mg/m3,低于基于静态物理特征的预测模型(7.96mg/m3).表明DCNN-SVM具有较高的预测精度,不仅克服了静态物理特征表达能力的不足,而且摆脱了繁琐的特征设计过程.
文献关键词：
深度卷积神经网络;支持向量机;NOx浓度;火焰图像
中图分类号：
作者姓名：
余印振;韩哲哲;许传龙
作者机构：
东南大学能源与环境学院火电机组振动国家工程研究中心,江苏省南京市 210096
文献出处：
引用格式：
[1]余印振;韩哲哲;许传龙-.基于深度卷积神经网络和支持向量机的NOx浓度预测)[J].中国电机工程学报,2022(01):238-247,中插20
A类：
B类：
深度卷积神经网络,NOx,浓度预测,准确预测,燃烧优化,优化控制,能源利用效率,deep,convolution,neural,network,DCNN,support,vector,machine,火焰图像,深层特征,取到,2MW,重油燃烧,燃烧锅炉,燃烧工况,58mg,于静,物理特征,96mg,特征表达,表达能力
AB值：
0.325041
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
