• <menuitem id="bhpve"><dfn id="bhpve"></dfn></menuitem>

    <tbody id="bhpve"></tbody>

    鋁酸鈣粉回轉窯大型廠家

    如果您正在尋找相關產品或有其他任何問題,可隨時撥打我公司服務電話,或點擊下方按鈕與我們在線交流!
    全國統一服務熱線: 0371-6784 6980
    微信詢價: 390278864

    PCA的根本原理
    鋁酸鈣粉回轉窯大型廠家主成分剖析法是一種常用的核算方法,它借助于一個正交變換,將其重量有關的原隨機向量經過線性 改動轉化成其重量不有關的新隨機向量,一同堅持初始數據的絕大局部的信息。
    PCA的根本核算過程:


    1)初始指標數據的規范化。
    2)對規范化陣求其有關系數矩陣。
    3)求解樣本有關矩陣的特征方程,得到特征根,按奉獻率判定主成分數。
    經過 PCA 實驗得知只需求五個主成分累積奉獻率已達83.329%。因此,在這篇文章實驗中選擇前五個主元序列作為實驗的特征序列。
    根據CHMM 的喂煤量趨向改動
    對現場搜集的特征序列要判別喂煤量趨向改動特征需按如下過程:
    Stepl:數據的預處置作業。鋁酸鈣粉回轉窯大型廠家首要要將現場搜集的熱工數據,其間包括有窯頭溫,窯尾溫,火焰溫,窯轉速,漿料流量,鼓風流量,主機負荷和冷卻機電流等停止數據預處置作業。
    Step2:特征提取。選用 PCA 方法現場數據停止特征提取,以主元序列作為特征值,得到樹立CHMM模型所需的調查序列。
    Step3:情況識別作業。在這篇文章中分別對喂煤量上升及降低情況分別對它們樹立 CHMM 模型 (這篇文章中M=2;N=2),并各自練習得到上升 CHMM(λ1)和降低CHMM(λ2)。鋁酸鈣粉回轉窯大型廠家運用CHMM三個疑問中的評價疑問,比照p(O|λ)和p(O|λ)的巨細來識別喂煤量的情況。
    詳細完成流程如下圖所示,由圖中可知,首要將現場數據,根據喂煤量的改動,劃分為喂煤量上升數據庫和喂煤量降低數據庫。并對其分別樹立CHMM模型,練習得到上升CHMM 以及降低CHMM模型。
    回轉窯喂煤量趨向改動的數據庫是在原有的包括11個熱工變量的數據庫。很難選擇某些一同的主要變量,使它們反映過程趨向改動的動態特征,為了降低核算的復雜度,削減特征數據維數,這篇文章當選用主成分剖析(PCA)的方法將數據投影到低維空間中,完成數據降維,一同消弭特征問的有關性。

    相關案例

    卡司PK10