(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111446664.7 (22)申请日 2021.11.30 (71)申请人 汉谷云智 （武汉） 科技有限公司 地址 430000 湖北省武汉市洪山区书 城路 56号昊天大厦7楼 (72)发明人 薛菲　彭愿　陈超　鄢烈祥　周力　 (74)专利代理 机构 武汉知伯乐知识产权代理有 限公司 42 282 代理人 王福新 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于时延神经网络及支持向量机的脱 硫效率预测方法 (57)摘要 本发明属于脱硫技术领域， 并具体公开了一 种基于时延神经网络及支持向量机的脱硫效率 预测方法。 包括采集脱硫系统运行数据以及脱硫 效率数据， 基于神经网络结构， 构建初级脱硫效 率预测模型， 增加初级脱硫效率预测模型的隐含 层， 以构建脱硫效率预测模型,计算脱硫效率预 测模型反向传播误差的累计误差,将所述累计误 差传输至多分类支撑向量机中， 进行累计误差训 练， 将最优累计误差作为所述脱硫效率预测模型 的下降策略， 进行收敛计算， 并及时调整脱硫效 率预测模型的权重和阈值， 使得所述脱硫效率预 测模型的预测精度满足要求， 获取最优脱硫效率 预测模型。 本发明能极大提高预测精度， 具有更 好鲁棒性、 记忆能力、 非线性映射能力以及强大 的自学习能力。 权利要求书3页 说明书9页 附图3页 CN 114201915 A 2022.03.18 CN 114201915 A 1.一种基于时延神经网络及支持向量机的脱硫效率预测方法， 其特征在于， 包括以下 步骤： S1采集脱硫系统运行数据以及脱硫 效率数据， 对所述脱硫系统运行数据以及脱硫效率 数据进行 预处理； S2基于神经网络结构， 以所述脱硫系统运行数据作为脱硫效率预测模型的输入， 脱硫 效率数据作为脱硫效率预测模型 的输出， 构建初级脱硫效率预测模型， 基于延时神经网络 结构增加初级脱硫效率预测模型的隐含层， 以构建脱硫效率预测模型； S3计算脱硫效率预测模型反向传播 误差的累计误差； S4将所述累计误差传输至多分类支撑向量机中， 进行累计误差训练， 并求出最优累计 误差； S5将所述最优累计误差作为所述脱硫效率预测模型的下降策略， 进行收敛计算， 并及 时调整脱硫效率预测模型的权重和阈值， 使得所述脱硫效率预测模型的预测精度满足要 求， 获取最优脱硫效率预测模型； S6采用所述 最优脱硫效率预测模型进行脱硫效率预测， 并输出 预测结果。 2.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法， 其特征在于， 步骤S1中， 所述脱硫系统运行数据包括烟气流量、 负荷、 液气比、 PH值、 液位高 度以及浆液密度； 所述预处理包括对所述脱硫系统运行数据以及脱硫 效率数据进行平滑、 中心化以及标 准化处理。 3.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法， 其特征在于， 步骤S2中， 所述初级 脱硫效率预测模型如下： 其中， 每个所述脱硫系统运行数据均是包含前N个时刻的子集以及该子集对应的权重， 式中， Y(t)为初级脱硫效率预测模型的输出， 即脱硫效率， f为激励函数， Xi(t‑d)为第i个输 入层节点信息， d＝1,2,3...,N， t为时间， d为时间步长， M为时延神经元总 个数， N为每个时 延神经元总时长， wid为第i个输入层节点权 重， bi为第i个输入层节点偏置； 所述脱硫效率预测模型如下： 式中， f为激励函数， M为输入层个数， N1和N2均为隐藏层时延步数， Yr(t)表示输出层， Hj (t)为隐含层输出， r为输出层节点， 表示第r个输出层节点与各隐含层节点间连接权重， 表示第r个输出层节点与各隐含层节点间连接的偏置， 为各隐含层节点与第i个输出 层节点的连接权重， 为各隐含层节点与第i个输出层节点的偏置， Hj(t‑d)为第i个隐含层权　利　要　求　书 1/3 页 2 CN 114201915 A 2节点信息， d＝1,2,3. ..,N， t为时间， d为时间步长 。 4.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法， 其特征在于， 步骤S3具体包括以下步骤： S31正向的传播输入： 将神经网络隐藏层或输出层的所有神经元j对应的上层神经元i 的神经网络净输入向量Sj计算出来， 并采用Sigmoid函数对神经网络净输入向量Sj进行处 理； S32构建神经网络的误差平方和计算模型； S33根据所述误差平方和的链式法则对脱硫效率预测模型的权重进行求导， 并采用实 用选取的脱硫系统运行数据中样本所对应的目标期望输出向量来代替神经网络信息Xj， 将 神经网络隐藏层神经 元j的反向误差向量推算出来； S34求累计误差： 累加求和隐藏层各神经元j误差向量， 以获取脱硫效率预测模型反向 传播误差的累计误差 。 5.根据权利要求4所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法， 其特征在于， 步骤S31中， 所述神经网络净输入向量Sj的计算模型如下： 采用Sigmo id函数对神经网络净输入向量Sj进行处理的计算模型如下： 步骤S32中， 所述 误差平方和计算模型如下： 步骤S33中， 所述反向误差向量的计算模型如下： 步骤S34中， 所述脱硫效率预测模型反向传播 误差的累计误差模型为： 式中， 神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入 向量Sj计算出来， wij为神经网络隐藏层或输出层 的所有神经元j对应的上层神经元i的权 重， Xj为上层神经元i的信息， θi是神经网络隐藏层或输出层的所有神经元j对 应的上层神经 元i的偏置， Sj神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净 输入向量， 为采用Sigmoid函数对神经网络净输入向量Sj进行处理， SSE为误差平方和， EER为反向误差向量， 是SSE对权重偏导系数， Tj为神经网络隐藏层或输出层的所有神经元j 期望值， EERij为神经网络隐藏层或输出层的神经元j对应的上层神经元i反向传播误差， EERj为为神经网络隐藏层或输出层的所有神经 元j对应的上层神经 元i反向传播 误差。 6.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法， 其特征在于， 步骤S4具体包括以下步骤： S41建立累计误差与脱硫系统运行 数据的多分类支持向量机模型：权　利　要　求　书 2/3 页 3 CN 114201915 A 3