基于免疫自适应支持向量机的煤质分析模型研究

Currently it is a feasible and effective way that using near-infrared quantitative analysis techniques for the online coal detection. But the classic calibration methods, such as multiple linear regression, principal component regression, partial least squares regression and the ordinary neural network method will expose the weaks of inferior anti-interference ability, low fitting accuracy and generalization ability when they are applied for on-site coal quality measurements in complex conditions of thermal power plants. To solve the problem, this project explores a neural network model based on immune adaptive support vector machine. The model uses the self-organizing feature map to complete feature extraction and classification for analysis data, and then uses the support vector machine combined immune clonal algorithm for quantitative analysis. When the analysis data is a new class, the method can achieve intelligent parameter choice and also automatically update its calibration model library to ensure the optimal characteristics, to the maximum extent, of the model. The main contents of the project include: the data pretreatment of the immune adaptive support vector machine neural network, the construct parameter acquisition of the immune adaptive support vector machine neural network and the self-adapting mechanism and its stability of the immune adaptive support vector neural network. The project will improve the neural network when it is used in regression analysis, and promote the application of the method in the field of thermal power plants and others.

目前利用近红外定量分析技术进行在线煤质检测是一种可行而且有效的途径，但是其所用的多元线性回归、主成分回归和偏最小二乘回归等经典校正法和普通神经网络法，在工况复杂的火电厂现场进行煤质测量时会暴露出抗干扰能力弱、拟合精度低、泛化能力弱等问题。针对该问题，本项目研究一种基于免疫自适应支持向量机的神经网络模型。该模型使用自组织特征映射网对分析数据进行特征提取和分类，然后采用支持向量机结合免疫克隆算法进行定量分析；当所分析的数据为一种新类时，该方法还可以自动更新其校正模型，在最大程度上实现了参数智能选择，并保证所建模型的最优特性。本项目的主要研究内容包括：免疫自适应支持向量机神经网络模型的数据预处理；免疫自适应支持向量机神经网络的结构参数获取；免疫自适应支持向量机神经网络的自适应机制及其稳定性研究。本项目将完善神经网络用于回归分析时的模型建立方法，研究成果也将推动该方法在火电厂等领域的应用。

目前利用近红外定量分析技术进行在线煤质检测是一种可行而且有效的途径，但是其所用的多元线性回归、主成分回归和偏最小二乘回归等经典校正法和普通神经网络法，在工况复杂的火电厂现场进行煤质测量时会暴露出抗干扰能力弱、拟合精度低、泛化能力弱等问题。本项目通过对现代光谱分析技术的深入研究，提出了一系列优化光谱计算的新方法。这些方法包括：离散傅里叶变换的支持向量机回归分析法、间隔整数遗传算法和一种预处理方法分类可调可变的移动窗整数遗传算法，并最终导出了基于免疫克隆算法的协同自适应协同移动窗建模法的算法。该方法根据人体免疫系统的工作原理，将待优化的预测模型性能视为抗原，将针对抗原的特定编码的向量视为抗体。每一个抗体包括两个部分：第一部分为预处理方法优化区，这部分实现同时优化预处理方法的参数和预处理方法的运算次序。第二部分为光谱变量优化区组成，这部分由多个位置可变、宽度可变的窗口组成。建立预测模型时，首先，该算法针对抗原生成相应的初始抗体集合。然后，经过亲和力计算后，优选出亲和力最佳的若干个抗体，并按照亲和力越高复制副本越多的原则进行克隆。接着，对克隆复制后的抗体，按照亲和力越低变异概率越高的原则进行高频变异，然后取出亲和力比原始抗体集合中亲和力更高的抗体，并取代原始集合中部分抗体。该方法可以在优化策略的指导下主动搜索出光谱预处理方法及其光谱变量的最优组合，从而建立精度更好、泛化能力更强的校正模型。通过对实际电站入炉煤粉近红外光谱数据的分析发现：煤水分的最优预处理方法为SGD→SNV→SGS，其最优吸收峰为1450nm和1940nm；煤灰分的最优预处理方法为SGS，其最优吸收峰为1084-1171nm, 1441-1558nm, 1915-1938nm和2248-2335nm；煤挥发分的最优预处理方法为SGD，其最优吸收峰为1882-1891nm、2176-2302nm、1435-1567nm, 2101-2176nm和2338-2371nm；煤发热量的最佳预处理方法为SGD→SGS→centralize，波长变量应该选取全光谱。..在本项目资金的资助下，课题组在项目执行期间共发表相关论文13篇，其中SCI检索9篇，EI检索3篇。申请相关发明专利5项。