声明
摘要
第一章 绪论
1.1 研究背景
1.2 造气炉工艺流程及反应原理
1.2.1 造气工段带控制点的工艺流程
1.2.2 固定层间歇法制半水煤气基本原理
1.2.3 半水煤气生产工艺条件
1.2.4 造气炉关键调控参数-气化层温度
1.3 国内外研究现状
1.3.1 造气炉气化温度测量研究现状
1.3.2 极限学习机研究现状
1.4 选题意义
1.5 本文的主要内容与论文结构
第二章 造气炉热工参数提取及处理
2.1 数据的提取和预处理
2.1.1 测量和数据
2.1.2 数据的预处理
2.1.3 采样数据的二次处理
2.2 样本数据分析与采集
2.2.1 样本数据采集
2.2.2 气化层温度相关数据分析
2.2.3 样本数据的划分
2.3 样本数据的预处理
2.3.1 粗大数据的处理
2.3.2 小波包降噪
2.3.3 中值滤波
2.3.4 主成分分析主成分分析(PCA)
2.3.5 标准归一化处理
2.4 本章小结
第三章 人工神经网络与极限学习机及优化
3.1 人工神经网络(Artificial Neutral Network)
3.1.1 人工神经网络结构
3.1.2 学习(训练)过程
3.1.3 神经网络模型及其学习算法
3.2 极限学习机
3.2.1 单隐层前馈神经网络(SLFNs)
3.2.2 极限学习机
3.3 遗传算法优化ELM
3.3.1 遗传算法原理
3.3.2 遗传算法参数
3.3.3 算法流程
3.3.4 算法实现
3.4 人工蜂群算法优化ELM
3.4.1 人工蜂群算法原理
3.4.2 人工蜂群算法步骤
3.4.3 人工蜂群算法流程
3.4.4 人工蜂群算法优化极限学习机(ABC-ELM)模型
3.5 差分演化算法(DE)优化ELM
3.5.1 DE基本算法
3.5.2 模型形式的确定
3.6 粒子群算法(PSO)优化ELM
3.6.1 标准粒子群算法
3.6.2 粒子群算法优化ELM(PSO-ELM)
3.7 本章小结
第四章 基于ELM的造气炉建模的实现与分析
4.1 ELM建模
4.1.1 样本集的采样与预处理
4.1.2 ELM参数的确定
4.1.3 模型评价指标
4.1.4 ELM参数分析
4.1.5 ELM建模运行效果及分析
4.2 BP、GNRR神经网络的对比
4.2.1 BP神经网络
4.2.2 GRNN神经网络
4.3 ELM软测量模型总结
4.3.1 神经网络系统ELM、BP、GRNN模型的数据对比
4.3.2 模型分析及总结
4.4 本章小结
第五章 ELM软测量模型的优化
5.1 人工蜂群算法(ABC)优化ELM
5.1.1 人工蜂群算法(ABC))参数选择
5.1.2 ABC-ELM源程序
5.1.3 运行结果及性能评价
5.1.4 ABC-ELM优化算法的指标分析
5.2 差分演化算法(DE)优化ELM
5.2.1 差分演化算法(DE)参数选择
5.2.2 DE-ELM源程序
5.2.3 运行结果及性能评价
5.2.4 DE-ELM优化算法的指标分析
5.3 遗传算法(GA)优化ELM
5.3.1 遗传算法(GA)参数选择
5.3.2 GA-ELM源程序
5.3.3 运行结果及性能评价
5.3.4 GA-ELM优化算法的分析
5.4.2 PSO-ELM源程序
5.4.3 运行结果及性能评价
5.4.4 PSO-ELM优化算法的指标分析
5.5 ABC、DE、GA、PSO以及ELM性能比较分析
5.5.1 ABC、DE、GA、PSO以及ELM的数据对比
5.5.2 ABC、DE、GA、PSO以及ELM的仿真数据各点误差分布图
5.5.3 ABC、DE、GA、PSO优化ELM效果分析
5.5.4 ABC、DE、GA、PSO优化算法的对比
5.6 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间发表论文情况
广西大学;