[发明专利]一种水泥脱硝的神经网络混合优化方法

权利要求书

1.一种水泥脱硝的神经网络混合优化方法，其特征在于该方法包括以下步骤：

步骤1、采集水泥脱硝过程影响NO_x浓度输出的相关变量，利用主成分分析对数据进行处理；具体步骤是：

1-1.定义水泥脱硝过程影响NO_x浓度输出的第一主成分，形式如下：

t₁＝Xp₁＝[v₁ v₂...v_J]p₁且||p₁||＝1

其中，t₁是矩阵X的第一主成分，X∈R^N×J是标准化后的影响NO_x浓度输出的相关向量矩阵组合，包括机组负荷、喷氨量、SCR入口烟温、入口NO_x浓度、入口烟气含氧量、出口烟气含氧量、脱硝效率，N和J分别是影响NO_x浓度输出的样本个数和影响NO_x浓度输出的相关变量个数，p₁是矩阵X的协方差矩阵的第一标准化特征向量，[v₁ v₂...v_J]分别是第一、第二、…、第J影响NO_x浓度输出的相关变量；

1-2.根据步骤1-1，求得t₁的方差，形式如下：

其中，和X^T分别是第一标准化特征向量的转置和矩阵X的转置，Var(t₁)是t₁的方差；

1-3.结合步骤1-1和步骤1-2，根据拉格朗日算法得到：

Vp₁＝λ₁p₁

Var(t₁)＝λ₁

其中，λ₁是协方差矩阵V的第一特征值；

1-4.以此类推，并重复步骤1-1至1-3，得到

t_a＝Xp_a

其中，t_a是第a主成分，p_a和p_a-1是矩阵V的第a和第a-1标准化特征向量，且p_a^Tp_a-1＝0，p_a^T是矩阵V的第a标准化特征向量的转置，λ_a是矩阵V第a特征值，Var(t₁)≥Var(t₂)≥...≥Var(t_a)，Var(t₂)和Var(t_a)分别是t₂和t_a的方差；

1-5根据预设的主成分累积贡献率，形式如下：

其中，E_a是前a个主成分的累积贡献率，λ_j是矩阵V第j特征值，∑是求和符号；

1-6.根据步骤1-5得到主成分分析之后的数据集，形式如下：

其中，T是主成分的得分矩阵，P^T是主成分的负载矩阵的转置；

步骤2、使用步骤1中得到的新数据，建立水泥脱硝反应器的模型，并对NO_x浓度输出做预测；

2-1.将主成分分析之后的数据集分为训练集和测试集，建立水泥脱硝反应器的神经网络预测模型，形式如下：

其中，是神经网络对NO_x浓度的预测输出，是训练集，i＝1,2,...,I是隐藏层节点个数，ω_i是第i个神经元连接隐藏层和输出层的权值，是使用高斯函数的隐藏层中的第i个神经元输出，c_i是第i个神经元函数的中心，σ_i是第i个神经元函数的宽度，是输入变量和中心之间的欧式距离；

2-2.通过递归最小二乘法得到的权值初始值，使用LM算法进行优化，形式如下：

ω(k+1)＝ω(k)+Δω

Δω＝(J^TJ+μ)^-1J^Te

其中，e是NO_x浓度的预测输出和NO_x浓度的实际输出之间的误差，Δω是权值的修正量，是误差对权值导数的雅克比矩阵，μ为各层神经元沿负梯度下降运算的约束系数；

2-3.结合步骤2-2，得到权值向量ω(k)，根据K-均值聚类算法确定c_i和σ_i两个参数的初始值，用遗传算法优化三个参数，步骤如下：

2-3-1.染色体编码形式如下：对2-2中初步确定的神经网络的c_i和σ_i进行编码成一条染色体，形式如下：

R＝[c₁...c_i...σ₁...σ_i...ω₁...ω_i].

2-3-2.遗传算法的适应度函数形式如下：根据遗传算法中适应度函数望大的特性，将网络误差平方和的倒数作为适应度函数，则适应度函数表示如下：

2-3-3.对染色体进行选择操作，形式如下：采取轮盘赌方法进行选择操作，选择个体r的概率p_r表示如下：

其中，f_r和f_m分别是个体r和m的适应度函数，M为种群个数；

2-3-4.对染色体进行交叉、变异操作，形式如下：选择操作出来的个体直接复制到下一代，对于其他个体，随机选择两个个体的相同位置，按照交叉概率在选中的位置进行交叉，并按照变异概率对个体的某些基因位进行变异；

2-4.根据根均方误差评估径向基神经网络的建模精度，形式如下：

其中，RMSE是根均方误差，Y(X_n)是实际的输出；

2-5.将步骤2-3-4中得到的三个参数作为神经网络的参数值，进行神经网络训练，重复步骤2-2和步骤2-4，直至模型预测准确率达到预定值，并将测试集输入到神经网络的训练模型中，验证神经网络预测模型的准确性。