一种确定飞灰含碳量ANN模型输入参数的方法

《一种确定飞灰含碳量ANN模型输入参数的方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2012年第11期东北电力技术17一种确定飞灰含碳量ANN模型输入参数的方法李露，杜艳玲(华北电力大学，河北保定071003)摘要:为使用尽量少的输入参数使ANN(Artificialneuralnetwork)模型达到较高的预测精度，利用某电厂运行数据，通过不同参数组合的灵敏度分析，探讨了不同参数组合对基于人工神经网络的飞灰含碳量预测精度的影响。结果表明:通过灵敏度分析，能够确定既满足小数目输入参数，又满足较高预测精度的最终输入参数组合。用精简后的输入参数可以实现对飞灰含碳量的准确预测。关键词:灵敏度分析;飞灰含碳量;输入参数;预测精度［中图分类号］TK222［文献标志码］A［文章编号］10

2、04－7913(2012)11－0017－03AMethodontheDeterminationofInputParametersofFlyAshCarbonContentANNModelLILu，DUYan-ling(NorthChinaElectricPowerUniversity，Baoding，Hebei071003，China)Abstract:InordertomaketheANN(Artificialneuralnetwork)modelahigherpredictionaccuracywithlesspossibleinputparame-ters．Withoperationd

3、ataofapowerplant，throughdifferentparametercombinationsofsensitivityanalysis，theeffectofthecombina-tionofdifferentparametersonartificialneuralnetworkpredictionaccuracyforflyashcarboncontentisdiscussedinthispaper．There-sultsshowthat:throughthesensitivityanalysis，thefinalinputparametercombinationcouldb

4、edeterminedwithlessinputparametersandhighpredictionaccuracy．Thestreamlineinputparametersmaybesufficienttoobtainaccurateflyashcarboncontent．Keywords:Sensitivityanalysis;Flyashcarboncontent;Inputparameter;Predictionaccuracy人工神经网络是近年来得到迅速发展的一个前来不断调整网络的权值和阈值，使网络的误差平方沿课题。神经网络由于其并行处理规模大、容错性和最小。这种算法由于学习速率是

5、固定的，因此网好、自组织和自适应能力强等特点，已经广泛应用络的收敛速度慢;BP算法可以使权值收敛到某个［1－4］于各领域。目前，基于神经网络的飞灰含碳量值，但并不保证其为误差平面的全局最小值，即易预测研究主要集中在提高预测结果的精度。其中，陷入局部极小。通过比较，本文采用基于数值优化［5－7］技术的L－M(Levenberg－marquardt)算法进行网大量的研究是针对神经网络的结构和算法，模型输入对神经网络输出精度影响的研究并不多。本络训练。该算法是梯度下降法和高斯—牛顿法的结文分析了影响飞灰含碳量的因素，得到预测模型的合，既具有高斯—牛顿法的局部收敛性，又具有梯初期输入参数，并利用最常用

6、的BP(Backpropa-度下降法的全局特性，在飞灰含碳量预测的研究中［5］gation)神经网络，通过不同参数组合的灵敏度分取得良好结果。析，确定模型的最终输入参数。为提高飞灰含碳量L－M优化算法对权值调整公式为(k+1)(k)τ－1τ预测精度提供了参考依据。W=W－(JJ+μI)Jei(1)误差平方和为1神经网络模型算法12E=∑ei(2)2BP网络属于一种按误差逆向传播的多层前馈ei式中:W为神经元连接的权值矩阵;J=为网络网络，是目前应用最广泛的神经网络模型之一。它W能学习和存贮大量的输入—输出模式映射关系，且误差对权值导数的雅可比(Jacobian)矩阵;ei为无需事前揭示描述

7、这种映射关系的数学方程。其最训练误差;μ为比例系数;I为单位矩阵。当μ很基本的学习规则是使用梯度下降法，通过反向传播大时，式(1)接近于梯度法;当μ很小时，式18东北电力技术2012年第11期(1)则变成了高斯—牛顿法。在实际计算过程中需要得到的样本量为N，则将采集的所有样本划分调节μ的大小，开始时可以选择一个μ值，在每步为N组，从每个组里任选一个样本组成样本集，［8］［10］观察E的变化，来调节