典型文献
基于互信息PSO-LSTM的SO2浓度预测
文献摘要：
针对电厂燃煤机组的SO2污染物排放问题,提出一种基于互信息(MI)和粒子群优化算法(PSO)的长短期记忆网络(LSTM)预测模型.利用MI筛选出与SO2入口浓度相关性较高的辅助变量,以实现辅助变量的降维.其次,通过PSO确定LSTM的最优参数组合,降低LSTM训练成本.最终,将选定的辅助变量作为PSO-LSTM的输入,实现对主导变量SO2浓度的预测.选取火电厂现场DCS数据作为测试数据,以检验模型在真实状况下的应用表现.实验结果显示,所建模型的均方根误差为1.114 3、平均相对误差为0.028 3,表明其预测精度远高于传统预测模型.
文献关键词：
长短期记忆网络;互信息;SO2浓度预测;粒子群优化
中图分类号：
作者姓名：
金秀章;李京
作者机构：
华北电力大学 自动化系,河北保定071003
文献出处：
引用格式：
[1]金秀章;李京-.基于互信息PSO-LSTM的SO2浓度预测)[J].控制工程,2022(11):1928-1932
A类：
B类：
互信息,PSO,SO2,浓度预测,燃煤机组,污染物排放,MI,粒子群优化算法,长短期记忆网络,浓度相关性,辅助变量,最优参数,数组,练成,主导变量,取火,火电厂,DCS,测试数据,检验模型,应用表现,平均相对误差,传统预测模型
AB值：
0.321317
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
