[发明专利]一种基于卷积神经网络的燃烧系统氧含量预测方法

权利要求书

1.一种基于卷积神经网络的燃烧系统氧含量预测方法，其特征在于包括网络训练阶段和建立回归模型阶段，其中网络训练阶段步骤如下：

步骤一：采集火焰图像；

步骤二：将火焰图像作为卷积神经网络的输入，通过卷积层和池化层对其进行非线性特征提取和降维处理，得到降维后的特征矩阵；

步骤三：经步骤二得到的特征矩阵通过全连接层输出；

步骤四：将全连接层输出的特征所表示的图像与原图像进行对比，并将得到的差值做反向传播以训练卷积神经网络中的参数权重w和偏置b，使得所提取的特征能很好地表示初始的火焰图像；

步骤五：通过步骤四得到合适的权重w和偏置b，确定了卷积神经网络的模型；

建立回归模型阶段步骤如下：

步骤一：采集燃烧系统中的氧含量信息；

步骤二：利用训练好的卷积神经网络输出的火焰图像特征与所测氧含量建立火焰图像特征与氧含量之间的回归模型；

步骤三：将火焰图像输入该回归模型，即可得到预测的氧含量。

2.根据权利要求1所述的一种基于卷积神经网络的燃烧系统氧含量预测方法，其特征在于反向传播过程中定义其误差函数为其中d_j和y_j分别是第j次迭代过程中的原图像与特征图像，此过程的目的是反复修正权值w和阀值b，使得误差函数值达到最小。

3.根据权利要求2所述的一种基于卷积神经网络的燃烧系统氧含量预测方法，其特征在于根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有

4.根据权利要求1或2或3所述的一种基于卷积神经网络的燃烧系统氧含量预测方法，其特征在于在建立回归模型阶段使用非线性回归函数建立火焰图像特征与氧含量之间的回归模型。

5.根据权利要求1或2或3所述的一种基于卷积神经网络的燃烧系统氧含量预测方法，其特征在于在网络训练阶段中提取特征和降维后接激活函数，激活函数引入的目的是增加整个网络的表达能力，即非线性能力。

6.根据权利要求1或2或3所述的一种基于卷积神经网络的燃烧系统氧含量预测方法，其特征在于在网络训练阶段中将采集的火焰图像按比例分为训练集和测试集，在网络训练阶段中所用图像都为训练集图像；回归模型建立后将测试集输入回归模型得到预测的氧含量，然后将预测的氧含量与实测的氧含量对比验证回归模型的准确率，若准确率达不到要求则增加卷积神经网络卷积层的数量、调整池化层的池化方式和调整损失函数，重新训练卷积神经网络，进而得到回归模型。