生物质颗粒燃料成型过程是一个复杂的物理化学过程，成型颗粒燃料的松弛密度等各项性能会受多种因素影响，用传统的建模方法较难进行确切描述。因此有必要用先进的方法来建模和进行参数的优化。而神经网络是一种已经普遍采用的建模方法，最常用的神经网络是多层前向BP网络。浙江大学热能工程研究所的殷春根博士应用BP网络建立生物质煤性能预测模型，文中不仅对BP网络应用中的问题做了详细的分析和实践研究，还对混煤各个燃烧特性的数据和判别逐一进行分析和确定；阮伟博士在殷春根博士的基础上引入了kohonen自组织特征映射神经网络，建立了kohonen-BP混合神经网络模型，对数据做预分类，提高了BP网络的自组织学习能力，实现对“未知”煤种的正确辨识和仿真。另外，浙江大学的蒋林在研究生物质型煤时，由于发现型煤特性与各个组分的特性之间存在高度非线形关系，并且可利用数据有限。若建立经验回归公式来估算型煤特性比较困难，且难以获得很好的预测效果，而在神经网络基础上针对原来预测模型中搜索机制的不足，使用BP-GA混合神经网络有效的解决了这一问题。但是，局部最优问题是影响神经网络预测精度的主要因素，局部最优问题和训练样本不足带来训练结果的不确定，进而影响到模型的准确性。而支持向量机可以解决这一问题，应用比较成功的是LS-SVM最小二乘支持向量机。它是标准支持向量机的一种扩展，将二次规划问题转化为线形方程组，降低了计算的复杂性，提高了求解精度。
综上所述，本文将探讨应用支持向量等智能方法对生物质成型过程建模和优化。
相关颗粒机秸秆压块机产品：
1、秸秆颗粒机
2、木屑颗粒机
3、秸秆压块机
