18、煤炭气化性能预测：机器学习算法的比较与应用

煤炭气化性能预测：机器学习算法的比较与应用

1. 引言

煤炭气化过程中，总煤气产量和产品气热值是评估气化性能的关键参数。为了可靠地评估煤炭气化性能，需要对这两个输出进行准确估计。本文将介绍多种机器学习算法在预测煤炭气化产品气生成和产品气热值方面的应用，并对这些算法的性能进行比较。

2. 机器学习算法介绍

2.1 高斯过程回归（Gaussian Process Regression，GPR）

GPR 是一种基于核的非参数概率算法，可有效用于回归和概率分类问题。它利用高斯过程处理输入和输出之间的复杂关系。高斯过程由其均值函数 $\mu(x)$ 和核（协方差）函数 $k(x,x’)$ 定义：
- 均值函数：$\mu(x) = E[f(x)]$
- 核函数：$k(x,x’) = E[(f(x) - \mu(x))(f(x’) - \mu(x’))]$

通常，均值函数被认为是零，而核函数被限制生成正矩阵。在本研究中，使用了 WEKA 软件中的 PUK 核函数，因其性能较高。

2.2 懒惰 K - star（Lazy K - star）

K - star 是一种用于各种分类问题的懒惰学习算法。它采用局部学习方法，存储训练实例，直到分类时才进行操作。该算法基于 k - 最近邻（k - NN）方法，将 n 个实例根据最近均值过程划分为 k 个簇。使用熵距离度量将新实例分配到最近的类。K - star 的公式定义为：
$K^ (y_i, x) = - \ln P^ (y_i, x)$
其中，$P^*$ 是 x 通过随机路径到达 y 的概率。使用熵