基于主成分分析的煤元素分析通用预测模型研究
|
摘要
基于大量煤质分析数据,以主成分分析法对煤的发热量和工业分析数据进行预处理,应用三元线性回归和BP网络分析研究主成分与煤的各元素间的关系,进而提出了煤元素分析通用预测模型,并对模型适应性进行了检验;结果表明所建模型具有较强的适应性。
Based on a large amount of coal quality analysis data,the calorific values and the proximate analysis data were preprocessed using the principal component analysis method. The relationship between principal components and coal elements was studied through ternary linear regression and BP network analysis. The general prediction model of coal ultimate analysis was proposed, and the adaptability of the model was tested. The results show that the adaptability of model is strong.
Based on a large amount of coal quality analysis data,the calorific values and the proximate analysis data were preprocessed using the principal component analysis method. The relationship between principal components and coal elements was studied through ternary linear regression and BP network analysis. The general prediction model of coal ultimate analysis was proposed, and the adaptability of the model was tested. The results show that the adaptability of model is strong.
引文
[1]于瑞生,伦国瑞.利用煤的热值和工业分析数据计算煤中各主要元素含量[J].华东电力,1996(3):33-36.
[2]赵虹,沈利,杨建国,等.利用煤的工业分析计算元素分析的DE-SVM模型[J].煤炭学报,2010,35(10):1721-1724.
[3]岳鹏程,孟志东,梁晓瑜.煤质工业分析转换元素分析数学模型研究[J].中国计量大学学报,2013,24(3):327-330.
[4]闫顺林,李太兴,王俊有,等.逐步回归分析在煤质元素分析通用计算模型研究中的应用[J].选煤技术,2007(3):17-19.
[5]赵新法,李仲谨,陈玉萍.煤元素分析指标计算数学模型的建立与应用[J].煤质技术,2006(1):16-18.
[6]殷春根,骆仲泱,倪明江,等.煤的工业分析至元素分析的BP神经网络预测模型[J].燃料化学学报,1999(5):408-414.
[7]孔金生,张娓娓,王爱玲.催化裂化粗汽油干点的神经网络质量模型[J].湖南工业大学学报,2009,23(5):77-80.
[8]谢中华. MATLAB统计分析与应用:40个案例分析[M].北京:北京航空航天大学出版社,2010.
[9]陈威,艾婵.基于多元线性回归模型的武汉市水资源承载力研究[J].河南理工大学学报(自然科学版),2017,36(1):75-79.
[10]刘萍.基于主成分分析和多元线性回归模型的空气质量评价方法研究[D].昆明:云南大学,2015.
[11]李祥,刘翠茹,李春艳.煤的元素分析与工业分析关系的逐层分析与模型构建[J].中国煤炭,2017,43(4):99-104.
[12]何晓群,刘文倾.应用回归分析[M].北京:中国人民大学出版社,2007.
[13]李太兴,张婷,刘振刚.基于MATLAB的煤质元素分析通用计算模型研究[J].锅炉技术,2007,38(5):22-24,41.
[14]陈伟.煤气化特性实验研究[D].武汉:华中科技大学,2006.
[15]徐健.煤气化特性及氮的迁徙规律实验研究[D].武汉:华中科技大学,2012.
[16] MATLAB中文论坛. MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
[17]宗大伟.纸浆漂白过程的建模及操作优化[D].西安:陕西科技大学,2005.
[18]沈花玉,王兆霞,高成耀,等. BP神经网络隐含层单元数的确定[J].天津理工大学学报,2008,24(5):13-15.
[19]王立威.人工神经网络隐层神经元数的确定[D].重庆:重庆大学,2012.
[2]赵虹,沈利,杨建国,等.利用煤的工业分析计算元素分析的DE-SVM模型[J].煤炭学报,2010,35(10):1721-1724.
[3]岳鹏程,孟志东,梁晓瑜.煤质工业分析转换元素分析数学模型研究[J].中国计量大学学报,2013,24(3):327-330.
[4]闫顺林,李太兴,王俊有,等.逐步回归分析在煤质元素分析通用计算模型研究中的应用[J].选煤技术,2007(3):17-19.
[5]赵新法,李仲谨,陈玉萍.煤元素分析指标计算数学模型的建立与应用[J].煤质技术,2006(1):16-18.
[6]殷春根,骆仲泱,倪明江,等.煤的工业分析至元素分析的BP神经网络预测模型[J].燃料化学学报,1999(5):408-414.
[7]孔金生,张娓娓,王爱玲.催化裂化粗汽油干点的神经网络质量模型[J].湖南工业大学学报,2009,23(5):77-80.
[8]谢中华. MATLAB统计分析与应用:40个案例分析[M].北京:北京航空航天大学出版社,2010.
[9]陈威,艾婵.基于多元线性回归模型的武汉市水资源承载力研究[J].河南理工大学学报(自然科学版),2017,36(1):75-79.
[10]刘萍.基于主成分分析和多元线性回归模型的空气质量评价方法研究[D].昆明:云南大学,2015.
[11]李祥,刘翠茹,李春艳.煤的元素分析与工业分析关系的逐层分析与模型构建[J].中国煤炭,2017,43(4):99-104.
[12]何晓群,刘文倾.应用回归分析[M].北京:中国人民大学出版社,2007.
[13]李太兴,张婷,刘振刚.基于MATLAB的煤质元素分析通用计算模型研究[J].锅炉技术,2007,38(5):22-24,41.
[14]陈伟.煤气化特性实验研究[D].武汉:华中科技大学,2006.
[15]徐健.煤气化特性及氮的迁徙规律实验研究[D].武汉:华中科技大学,2012.
[16] MATLAB中文论坛. MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
[17]宗大伟.纸浆漂白过程的建模及操作优化[D].西安:陕西科技大学,2005.
[18]沈花玉,王兆霞,高成耀,等. BP神经网络隐含层单元数的确定[J].天津理工大学学报,2008,24(5):13-15.
[19]王立威.人工神经网络隐层神经元数的确定[D].重庆:重庆大学,2012.