[发明专利]一种基于卷积神经网络的燃烧系统氧含量预测方法在审
| 申请号： | 201910937463.3 | 申请日： | 2019-09-29 |
| 公开（公告）号： | CN110795694A | 公开（公告）日： | 2020-02-14 |
| 发明（设计）人： | 任密蜂;方茜茜;张旭霞;齐慧月;马建飞 | 申请（专利权）人： | 太原理工大学 |
| 主分类号： | G06F17/18 | 分类号： | G06F17/18;G06N3/04;G06N3/08 |
| 代理公司： | 14100 太原科卫专利事务所(普通合伙) | 代理人： | 朱源 |
| 地址： | 030024 *** | 国省代码： | 山西;14 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及深度学习的软传感器系统，以用来在线预测出口氧含量，具体是一种基于卷积神经网络的燃烧系统氧含量预测方法。利用电荷耦合器件（charge‑coupled device，CCD）获得彩色火焰图像，用来在线预测出口氧含量。与仅提取线性特征的传统主成分分析不同，CNN旨在提取非线性特征，以更好地描述燃烧过程中的火焰的变化趋势，利用基于CNN的CCD火焰图像的多级表示，可以表征关于火焰物理性质的更多有用信息。接下来简单地构造CNN的回归模型以获得非线性火焰图像与出口氧含量之间的关系。本发明在燃烧过程的图像分析和质量预测方面准确可靠，具有较高的实际工程应用价值。 | ||
| 搜索关键词： | 火焰图像 燃烧过程 在线预测 电荷耦合器件 卷积神经网络 出口 非线性特征 主成分分析 变化趋势 彩色火焰 含量预测 回归模型 燃烧系统 软传感器 实际工程 图像分析 物理性质 线性特征 质量预测 图像 应用 学习 | ||
【主权项】：
1.一种基于卷积神经网络的燃烧系统氧含量预测方法，其特征在于包括网络训练阶段和建立回归模型阶段，其中网络训练阶段步骤如下：/n步骤一：采集火焰图像；/n步骤二：将火焰图像作为卷积神经网络的输入，通过卷积层和池化层对其进行非线性特征提取和降维处理，得到降维后的特征矩阵；/n步骤三：经步骤二得到的特征矩阵通过全连接层输出；/n步骤四：将全连接层输出的特征所表示的图像与原图像进行对比，并将得到的差值做反向传播以训练卷积神经网络中的参数权重w和偏置b，使得所提取的特征能很好地表示初始的火焰图像；/n步骤五：通过步骤四得到合适的权重w和偏置b，确定了卷积神经网络的模型；/n建立回归模型阶段步骤如下：/n步骤一：采集燃烧系统中的氧含量信息；/n步骤二：利用训练好的卷积神经网络输出的火焰图像特征与所测氧含量建立火焰图像特征与氧含量之间的回归模型；/n步骤三：将火焰图像输入该回归模型，即可得到预测的氧含量。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于太原理工大学，未经太原理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910937463.3/，转载请声明来源钻瓜专利网。
