科研之友
微信
新浪微博
Facebook
分享链接
摘要
粉煤灰烧失量预测是对其合理利用的前提,常规实验方法成本高,常常不能满足现场需求。针对此问题本文提出了基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型,引入了Adam算法和dropout技术对卷积神经网络进行改进,将粉煤灰颗粒图像的灰度均值、灰度方差、能量和熵值4个特征参数作为输入量,将粉煤灰烧失量的实验值作为输出量,从不同地区的电厂采集高低烧失量的两种粉煤灰进行配比后开展实验研究,基于实验样本点进行学习和训练后开展烧失量预测。综合考虑相关性和模型训练精度,选取学习率为0.010时的卷积神经网络预测模型,引入dropout技术卷积神经网络模型与实际实验数据数值偏差为0.090 7,预测的数值相关性为0.975 0,预测的误差相对较小。研究结果表明:dropout技术能够有效避免过拟合现象,与深度神经网络、长短期记忆网络和BP神经网络相比,卷积神经网络模型对粉煤灰图像具有较好的数据特征提取能力,具有广泛的应用前景。
-
单位宁夏职业技术学院
