论文部分内容阅读
为了控制循环流化床（CFB）锅炉的NO。排放量，以某热电厂300MWCFB锅炉测试数据为样本，应用支持向量机（SVM）建立NO。排放特性预测模型．针对SVM回归预测需要人为确定相关参数的不足，应用果蝇优化算法（FOA）优化SVM参数，采用不同工况下的样本数据检验FOA-SVM模型的预测性能，并将该模型的预测结果与粒子群算法（PSO）、遗传算法（GA）和万有引力搜索算法（GSA）优化的SVM模型预测结果进行了比较．结果表明：FOA-SVM模型的泛化能力较强，预测精度较高，训练时间较短，可以相对快速、准确地预