基于聚类分析与粒子群算法优化神经网络的灰熔点预测

　　

针对解决燃煤锅炉或气化炉的结渣现象，影响锅炉安全性问题，以灰成分金属氧化物为自变量，灰熔点流动温度为因变量，建立了K-Means-PSO-BPNN的灰熔点预测模型，误差分析结果表明，经过粒子群算法的优化，BP神经网络模型在聚类分析后的预测效果得到了显著提高，表现出更好的相关性，相关系数为0.967，高于未优化的0.917，平均绝对误差为5.81，小于未聚类的26.98，并且模型的准确性提高到98.89%。因此，聚类分析以及粒子群算法优化后的神经网络模型能够更准确预测煤灰的流动温度(FT)。

订阅方式：
①在线订阅（推荐）：www.sdchem.net.cn
②邮局订阅：邮发代号24-109

投稿方式：
①在线投稿（推荐）：www.sdchem.net.cn
　　作者只需要简单注册获得用户名和密码后，就可随时进行投稿、查稿，全程跟踪稿件的发表过程，使您的论文发表更加方便、快捷、透明、高效。
②邮箱投稿：sdhgtg@163.com sdhg@sdchem.net
　　若“在线投稿”不成功，可使用邮箱投稿，投稿邮件主题：第一作者名字/稿件题目。
投稿时请注意以下事项：
　　①文前应有中英文“题目”、“作者姓名”、“单位”、“邮编”、“摘要”、“关键词”；
　　②作者简介包括：姓名、出生年、性别、民族、籍贯或出生地、工作单位、职务或职称、学位、研究方向；
　　③论文末应附“参考文献”，执行国标GB/T7714-2005标准，“参考文献”序号应与论文中出现的顺序相符；
　　④注明作者的联系方式，包括电话、E-mail、详细的通讯地址、邮编，以便联系并邮寄杂志。
　　 　                                                                                   山东化工稿件修改细则