论文部分内容阅读
针对烟气含氧量测量成本高、测量不稳定等问题,依据深度学习理论,采用非线性组合深度置信网络(nonlinear combined deep belief network, NCDBN)方法建立烟气含氧量模型。在该方法中,将输入变量分为控制变量和状态变量。对原始数据进行归一化预处理之后,采用lasso算法选取相关性强的变量作为预测模型输入参数。然后,采用DBN算法分别建立控制变量预测模型和状态变量预测模型。最后,将两个预测模型进行非线性组合,获得烟气含氧量的最终预测模型。根据实际生产数据进行实验,结果表