基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测

摘要

针对目前旋风分离器压降计算模型在准确性和实用性上的不足，为更好地指导旋风分离器的结构设计和性能优化，采用深度学习方法对其压降进行了预测。选取了影响压降的7个几何参数，采用深度学习中的深度置信网络(deep belief network, DBN)对旋风分离器压降数据进行预测，并利用改进的狼群算法(improved grey wolf optimizer, IGWO)对DBN模型的初始化权重和偏置参数进行寻优，构建IGWO-DBN组合模型，同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明，IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型，并优于反向传播神经网络(back propagation neural network, BPNN)、支持向量机(support vector machine, SVM)、极限学习机(extreme learning machine, ELM)等机器学习模型，计算效率大幅提升，且具有较好的泛化性和鲁棒性，可用于旋风分离器压降参数的预测。

关键词

狼群算法(GWO) / 深度置信网络(DBN) / 旋风分离器 / 压降 / 模型