基于支持向量机的生物质气化过程建模及优化研究

发布时间：2020-04-07 00:19

【摘要】： 生物质气化过程的最终目标就是尽可能得到更多的高品质可燃气体,而目前的生物质气化过程还存在许多尚待解决的问题,例如气化温度、气化剂当量比、气化效率、燃气热值等参数优化问题。为此本文建立了生物质(竹子)气化过程的支持向量机模型用于预测生物质气化气组分、气体热值及气体产率等气化指标。在模型基础上,采用MOPSO(多目标粒子群)算法寻找气化过程最优控制参数:当量比ER和气化温度T,使得气体热值和气体产率两个主要气化指标折中并在一定程度上都趋近于最大化。通过生物质竹子为例的计算验证,得到了满意的结果。最后本文验证了MOPSO算法所得最优控制参数要优于加权法所得结果,证明了MOPSO算法在生物质气化过程优化中的可行性和有效性,为今后用于其它生物质气化过程复杂工况下的参数优化研究提供了参考。
【图文】：

示意图,分类间隔,最优分类面,样本

图中，实心点和空心点代表两类样本，，H 为离分类线最近的样本且平行于分类线的直线，它们之argin)。所谓最优分类线就是要求分类线不但能将两类而且使分类间隔最大。虽然图中虚线也能将两类样本。分类线方程为 w x+b=0。我们可以对它进行归一( x,y),i= 1,2,,n,x∈R,y∈{+1, 1}dii，满足bin)≥1,=1,2,,

示意图,内部结构,模型,示意图

图 3-2 LS-SVM 模型内部结构示意图可见，LS-SVM 算法将二次规划问题转变为一原本的核函数映射关系及全局最优等特性。一个调整参数(仅有两个参数，调整参数 C优化变量，因而与标准的 SVM 相比简化了计程组取代标准支持向量机中的二次规划优向量机仍是基于多类核的机器学习，即采用中抽取特征，将原始空间中的样本映射为高空间中线性不可分的问题。最小二乘支持向是支持向量机在二次损失函数下的一种形式，其求解速度快，在函数估计和逼近的应用
【学位授予单位】：华北电力大学（河北）
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：TK6

【参考文献】