《表6 时延分析前后模型误差比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《考虑时延特征的燃煤锅炉NO_x排放深度学习建模》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证时延分析对预测结果的影响，利用时延分析前后得到的不同输入变量进行建模，并将实验结果进行对比。以数据集1为例。表6是5种不同算法进行时延分析前后建模结果的评价指标对比。从表6中可以看出，在利用时延分析之后得到的输入变量进行建模所得到的结果中，5个模型的预测精度均有了提高。其中MAPE方面，EMD-DNN模型降低了0.26%，DNN模型降低了0.34%，ELM、SVR、LSTM模型也均降低了0.3%以上。MAE方面，EMD-DNN模型降低了21.6%，DNN模型降低了19.2%，ELM、SVR、LSTM模型也均降低了8%以上。从表6也可以看出，所提出的模型的各个误差评价指标值均优于其他对比算法。平均相对误差EMD-DNN模型与ELM模型相差7.81%，与SVR模型相差5.24%，与LSTM模型相差6.57%，平均绝对误差的指标相比，EMD-DNN模型与ELM模型相差13.38%，与SVR模型相差10.19%，与LSTM模型相差12.84%。通过对输入与输出进行时延相关性分析可以看出，锅炉系统是一个大时延系统，而对输入数据进行时延处理可以提高预测精度和模型预测准确性。