发明名称 | 基于递推岭ELM的填料塔载点气速预测方法 | ||
摘要 | 基于递推岭ELM的填料塔载点气速预测方法,包括以下步骤:采集散堆填料塔实验中与载点气速相关的数据,作为建模所需的样本集,分析数据特征及影响载点气速的因素,确定载点气速模型的输入变量与输出变量;由于数据之间存在较大的差距,为了保证建立模型的可靠性,首先要对数据预处理;归一化是神经网络等建模方法常采用的预处理方法,即把数据值都转化为[0,1]区间的数,此处采用的是对数归一化法;根据载点气速归一化之后的数据特点,对不同类型的散堆填料,快速建立载点气速预测的RRELM模型;应用建立的RRELM模型进行预测,并对预测值进行反归一化,最终计算得到载点气速的预测值。 | ||
申请公布号 | CN103455721A | 申请公布日期 | 2013.12.18 |
申请号 | CN201310390400.3 | 申请日期 | 2013.08.30 |
申请人 | 浙江工业大学 | 发明人 | 刘毅;高增梁;张明涛 |
分类号 | G06F19/00(2011.01)I | 主分类号 | G06F19/00(2011.01)I |
代理机构 | 杭州天正专利事务所有限公司 33201 | 代理人 | 王兵;黄美娟 |
主权项 | 基于递推岭ELM的填料塔载点气速预测方法提出一种新型的极限学习机网络的建模方法,即递推岭极限学习机(recursive ridge extreme learning machine,RRELM),可以快速对不同类型散堆填料塔中的载点气速建立通用的预测模型,使用该模型可以对各种型号散堆填料塔中的载点气速进行较准确的预测;包括以及几个步骤:(1)采集散堆填料塔实验中与载点气速相关的数据,作为建模所需的样本集,分析数据特征及影响载点气速的因素,确定载点气速模型的输入变量与输出变量;(2)由于数据之间存在较大的差距,为了保证建立模型的可靠性,首先要对数据预处理;归一化是神经网络等建模方法常采用的预处理方法,即把数据值都转化为[0,1]区间的数,此处采用的是对数归一化法;(3)根据载点气速归一化之后的数据特点,对不同类型的散堆填料,快速建立载点气速预测的RRELM模型;(4)应用建立的RRELM模型进行预测,并对预测值进行反归一化,最终计算得到载点气速的预测值。 | ||
地址 | 310014 浙江省杭州市下城区潮王路18号 |