基于GA-ELM的SCR脫硝系統(tǒng)動(dòng)態(tài)建模

程 琳，趙文杰

?

基于GA-ELM的SCR脫硝系統(tǒng)動(dòng)態(tài)建模

程 琳，趙文杰

（華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003）

針對(duì)燃煤機(jī)組SCR脫硝出口NOx質(zhì)量濃度的預(yù)測(cè)問(wèn)題，本文提出了一種將極限學(xué)習(xí)機(jī)（ELM）與遺傳算法（GA）相結(jié)合的SCR脫硝系統(tǒng)動(dòng)態(tài)建模方法。為避免ELM受輸入權(quán)值矩陣和隱含層偏差隨機(jī)性的影響，采用GA對(duì)ELM的輸入層權(quán)值和隱含層偏差進(jìn)行優(yōu)化，建立了基于GA-ELM的SCR脫硝系統(tǒng)模型。采用某燃煤機(jī)組SCR脫硝系統(tǒng)的實(shí)際運(yùn)行數(shù)據(jù)對(duì)GA-ELM模型進(jìn)行驗(yàn)證，并與最小二乘支持向量機(jī)（LSSVM）模型和ELM模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。結(jié)果表明，GA-ELM模型的預(yù)測(cè)精度和泛化能力最佳，可以有效預(yù)估SCR脫硝出口NOx質(zhì)量濃度。

燃煤機(jī)組；SCR脫硝系統(tǒng)；極限學(xué)習(xí)機(jī)；遺傳算法；動(dòng)態(tài)模型；預(yù)測(cè)控制

火電廠燃煤產(chǎn)生的煙氣是大氣NO污染的重要來(lái)源之一。為了降低NO的排放量，大多火電廠采用了選擇性催化還原（SCR）煙氣脫硝系統(tǒng)。為滿足國(guó)家規(guī)定的排放標(biāo)準(zhǔn)，同時(shí)節(jié)約運(yùn)行成本，SCR脫硝系統(tǒng)的精確控制和運(yùn)行優(yōu)化尤為重要。

建立良好的SCR脫硝系統(tǒng)預(yù)測(cè)模型是后續(xù)優(yōu)化控制的基礎(chǔ)。國(guó)內(nèi)外學(xué)者在脫硝反應(yīng)器出口NO預(yù)測(cè)方面做了大量深入的研究。常用的建模方法可分為兩類[1]：一類方法是機(jī)理建模法，根據(jù)脫硝過(guò)程中選擇性催化還原反應(yīng)的反應(yīng)機(jī)理建立SCR脫硝系統(tǒng)模型，該方法需要對(duì)反應(yīng)機(jī)理具有較深入的了解，建模過(guò)程復(fù)雜，且利用實(shí)驗(yàn)室數(shù)據(jù)建立，難以對(duì)現(xiàn)場(chǎng)情況準(zhǔn)確評(píng)估；另一類方法是數(shù)據(jù)建模法，運(yùn)用歷史數(shù)據(jù)建模，模擬出SCR脫硝系統(tǒng)的變化規(guī)律，然后預(yù)測(cè)脫硝反應(yīng)器出口NO質(zhì)量濃度。

人工智能方法如BP神經(jīng)網(wǎng)絡(luò)[2]、支持向量機(jī)（SVM）[3]等已在脫硝反應(yīng)器出口NO預(yù)測(cè)中廣泛應(yīng)用。此類方法雖然適應(yīng)性強(qiáng)，但是訓(xùn)練速度較慢，容易造成局部最優(yōu)解。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的選擇依賴于經(jīng)驗(yàn)，容易造成過(guò)學(xué)習(xí)和局部最小點(diǎn)；SVM參數(shù)選擇復(fù)雜，導(dǎo)致其預(yù)測(cè)效率不高。

黃廣斌等[4]在單隱含層前向神經(jīng)網(wǎng)絡(luò)(single- hidden layer feedforward neural networks，SLFNS)學(xué)習(xí)算法的基礎(chǔ)上，提出了極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)。ELM隨機(jī)產(chǎn)生輸入層權(quán)值以及隱含層節(jié)點(diǎn)偏置等網(wǎng)絡(luò)參數(shù)，相對(duì)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)簡(jiǎn)單，學(xué)習(xí)效率高，泛化能力強(qiáng)。但其輸入層至隱含層的偏置隨機(jī)產(chǎn)生，在給定時(shí)可能某些數(shù)值為0，造成隱含層節(jié)點(diǎn)失效。隱含層節(jié)點(diǎn)數(shù)目與預(yù)計(jì)精度密切相關(guān)，但是過(guò)多的隱含層節(jié)點(diǎn)數(shù)會(huì)導(dǎo)致模型的泛化能力下降，影響SCR脫硝系統(tǒng)出口NO的預(yù)測(cè)精度。

對(duì)此，本文提出采用遺傳算法（GA）對(duì)ELM的參數(shù)進(jìn)行優(yōu)化，建立了基于GA-ELM的脫硝反應(yīng)器出口NO質(zhì)量濃度的預(yù)測(cè)模型。

1 GA-ELM模型結(jié)構(gòu)原理

1.1 ELM基本原理

ELM是一種單隱層前向神經(jīng)網(wǎng)絡(luò)算法，該算法不僅可以克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在局部極值、運(yùn)行速度較慢的缺點(diǎn)，而且輸入層與隱含層之間的權(quán)值及隱含層偏置都隨機(jī)給定，無(wú)需人為調(diào)整。此外，ELM學(xué)習(xí)過(guò)程無(wú)須反復(fù)迭代，僅需一步即可計(jì)算輸出權(quán)值，學(xué)習(xí)效率高，泛化能力強(qiáng)[5-6]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 GA-ELM模型

與傳統(tǒng)算法相比，ELM學(xué)習(xí)速度快、泛化性能強(qiáng)、不易陷入局部極值，但仍有一些問(wèn)題，如該算法中參數(shù)機(jī)選取導(dǎo)致隱含層神經(jīng)元幾乎不存在調(diào)節(jié)能力，這也對(duì)輸入權(quán)值和隱含層的偏置值的優(yōu)化有較高要求。同時(shí)ELM可能存在網(wǎng)絡(luò)穩(wěn)定性差、結(jié)構(gòu)復(fù)雜等問(wèn)題，所以合適的隱含層神經(jīng)元個(gè)數(shù)和激活函數(shù)的挑選十分重要[7]。

GA是由Holland[8]提出，經(jīng)DeJong、Goldberg等人[9-10]總結(jié)而成的一種以物種進(jìn)化形式為依據(jù)的隨機(jī)搜索優(yōu)化算法，具有并行處理效率高、搜索策略隨機(jī)高效、編碼轉(zhuǎn)換易處理等特點(diǎn)，可以采用GA優(yōu)化選擇ELM的輸入權(quán)值和隱層節(jié)點(diǎn)閾值參數(shù)來(lái)提高模型的準(zhǔn)確度和穩(wěn)定性[11]。

本文采用遺傳算法對(duì)極限學(xué)習(xí)機(jī)的參數(shù)進(jìn)行優(yōu)化，提出GA-ELM模型。圖2為GA-ELM模型計(jì)算流程，具體訓(xùn)練步驟如下。

圖2 GA-ELM模型計(jì)算流程

1）確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，調(diào)用GA對(duì)ELM網(wǎng)絡(luò)的權(quán)值和閾值編碼初始化。ELM網(wǎng)絡(luò)訓(xùn)練得到的誤差作為適應(yīng)度值。個(gè)體的適應(yīng)度值為

式中，predicted是輸出層第個(gè)節(jié)點(diǎn)的期望輸出，observed為輸出層第個(gè)節(jié)點(diǎn)的實(shí)際輸出。

2）通過(guò)計(jì)算選擇、交叉、變異操作產(chǎn)生新個(gè)體對(duì)應(yīng)的適應(yīng)度值，選擇適應(yīng)度最高的個(gè)體為最佳個(gè)體，進(jìn)化終止，并由此得出優(yōu)化后的輸入權(quán)值和隱含層閾值。反之，進(jìn)化代數(shù)加1。

3）將優(yōu)化后的輸入層權(quán)值和隱含層偏置用于ELM網(wǎng)絡(luò)訓(xùn)練，計(jì)算出隱含層的輸出權(quán)值，利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試檢驗(yàn)。

2 基于GA-ELM的SCR脫硝系統(tǒng)模型

2.1 SCR脫硝系統(tǒng)

某電廠超超臨界1 000 MW機(jī)組燃煤鍋爐的SCR煙氣脫硝反應(yīng)器結(jié)構(gòu)如圖3所示。來(lái)自氨氣站的氨氣與來(lái)自稀釋風(fēng)機(jī)的空氣充分混合經(jīng)過(guò)噴氨裝置噴出，通過(guò)TiO2的催化作用，與省煤器出口來(lái)的煙氣發(fā)生催化還原反應(yīng)。NH3與煙氣中的NO反應(yīng)生成N2和H2O，不會(huì)形成二次污染，從而達(dá)到煙氣脫硝的目的[12]。

圖3 SCR煙氣脫硝反應(yīng)器結(jié)構(gòu)

2.2 輸入變量選擇

準(zhǔn)確的模型是工業(yè)過(guò)程優(yōu)化控制的基礎(chǔ)[13-14]，輸入變量的選擇是建立模型前的重要步驟。在脫硝系統(tǒng)中，影響SCR脫硝反應(yīng)器出口NO的變量眾多，但變量維數(shù)的增加并不意味著建模效果的改善。過(guò)多的變量不但會(huì)增大建模的復(fù)雜程度，浪費(fèi)不必要的時(shí)間，還會(huì)增加引入噪聲的可能性。在SCR脫硝系統(tǒng)中，存在氨氣流動(dòng)帶來(lái)的容積時(shí)延、傳感器信號(hào)傳輸滯后等，影響模型的預(yù)測(cè)精度[15]。因此，基于GA-ELM所建立的SCR脫硝系統(tǒng)模型，需要選擇輸入變量和估計(jì)輸入變量的延時(shí)時(shí)間。

文獻(xiàn)[16]選取負(fù)荷、總?cè)剂狭俊⑷肟贜O質(zhì)量濃度、噴氨閥的開度、入口O2體積分?jǐn)?shù)、入口煙氣溫度和入口煙氣體積流量共7個(gè)參數(shù)作為SCR脫硝系統(tǒng)模型的輸入變量，文獻(xiàn)[17]則選取入口NO質(zhì)量濃度、氨流量、出口煙氣含氧量、機(jī)組負(fù)荷和入口煙氣溫度作為輸入變量。在分析已建立的SCR脫硝系統(tǒng)模型輸入輸出變量的基礎(chǔ)上，本文采用文獻(xiàn)[18]中提出的互信息變量選擇的方法，確定SCR脫硝系統(tǒng)的輸入變量及其延遲時(shí)間。所選輸入變量及其時(shí)延見表1。

表1 所選輸入變量及其時(shí)延

Tab.1 The selected input variables and their time delays

2.3 模型結(jié)構(gòu)

根據(jù)選擇輸入變量，基于GA-ELM的脫硝系統(tǒng)模型結(jié)構(gòu)如圖4所示，采用Sigmoidal函數(shù)作為ELM模型的激勵(lì)函數(shù)，設(shè)置隱層神經(jīng)元個(gè)數(shù)為12個(gè)。

圖4 基于GA-ELM的脫硝系統(tǒng)模型結(jié)構(gòu)

圖4中，()為模型輸入變量，-d為時(shí)間延遲，()為模型輸出變量。其中，1()為總風(fēng)量，1=13；2()為脫硝反應(yīng)器入口NO質(zhì)量濃度，2=2；3()為氨氣流量，3=7；4()為入口煙氣溫度，4=4；()為反應(yīng)器出口NO質(zhì)量濃度；(-1)為前一時(shí)刻的反應(yīng)器出口NO質(zhì)量濃度。

3 模型預(yù)測(cè)性能

選取某電廠燃煤機(jī)組SCR脫硝系統(tǒng)8 000組數(shù)據(jù)，采樣周期為10 s，其中前6 000組作為訓(xùn)練數(shù)據(jù)，其余2 000組作為測(cè)試數(shù)據(jù)。

采用均方根誤差（RMSE）和平均百分比誤差（MAPE）作為判斷建模效果的依據(jù)，

以總風(fēng)量、脫硝反應(yīng)器入口NO質(zhì)量濃度、氨氣流量、入口煙氣溫度以及前一時(shí)刻的反應(yīng)器出口NO質(zhì)量濃度為輸入變量，采用GA-ELM對(duì)SCR脫硝反應(yīng)器出口NO質(zhì)量濃度進(jìn)行建模，其訓(xùn)練樣本擬合曲線和預(yù)測(cè)樣本預(yù)測(cè)曲線分別如圖5和圖6所示。由圖5和圖6可得，GA-ELM模型對(duì)訓(xùn)練樣本的擬合曲線與實(shí)際曲線基本一致，測(cè)試樣本的預(yù)測(cè)誤差相對(duì)訓(xùn)練樣本而言稍大。其中，訓(xùn)練樣本RMSE=0.445 mg/m3，MAPE=0.44%；測(cè)試樣本RMSE= 1.178 mg/m3，MAPE=2.03%。說(shuō)明該模型具有較強(qiáng)的學(xué)習(xí)能力和泛化能力。

圖5 GA-ELM模型訓(xùn)練樣本擬合曲線

圖6 GA-ELM模型測(cè)試樣本預(yù)測(cè)曲線

本文采用相同的數(shù)據(jù)集，將選擇的最優(yōu)輸入集作為模型輸入，分別采用GA-ELM、ELM和LSSVM對(duì)SCR脫硝系統(tǒng)進(jìn)行建模，評(píng)判指標(biāo)仍為RMSE和MAPE。ELM和LSSVM訓(xùn)練和測(cè)試曲線分別如圖7和圖8所示，3種不同建模方法結(jié)果對(duì)比見表2。

表2 不同建模方法結(jié)果對(duì)比

Tab.2 The prediction results of different modeling methods

由圖7和圖8可以看出：在模型穩(wěn)定性方面，LSSVM模型因有固定的核函數(shù)，故具有很好的穩(wěn)定性；而ELM模型由于初始權(quán)值、隱含層偏置隨機(jī)產(chǎn)生，穩(wěn)定性不佳；GA-ELM模型通過(guò)引入遺傳算法對(duì)原ELM參數(shù)進(jìn)行優(yōu)化，使其穩(wěn)定性得到有效提高。

由表2可見：在模型精度方面，ELM模型訓(xùn)練誤差最大，LSSVM和GA-ELM模型相對(duì)較好；LSSVM模型測(cè)試誤差最大，這表明LSSVM模型比ELM模型和GA-ELM模型泛化能力差；而GA-ELM模型具有更高的預(yù)測(cè)精度，表明該模型具有較強(qiáng)的學(xué)習(xí)能力和泛化能力；在訓(xùn)練和測(cè)試時(shí)間方面，ELM模型和GA-ELM模型遠(yuǎn)小于LSSVM模型。

4 結(jié) 論

1）本文提出了一種基于GA-ELM模型的SCR脫硝系統(tǒng)動(dòng)態(tài)模型，利用GA對(duì)ELM輸入權(quán)值矩陣和隱含層偏差進(jìn)行優(yōu)化，避免了參數(shù)選擇的隨機(jī)性對(duì)ELM模型精度的削弱，提高了模型的預(yù)測(cè)精度。

2）選取SCR脫硝系統(tǒng)的實(shí)際運(yùn)行數(shù)據(jù)對(duì)GA-ELM模型進(jìn)行訓(xùn)練和測(cè)試，將測(cè)試結(jié)果與ELM模型和LSSVM模型測(cè)試結(jié)果進(jìn)行對(duì)比分析。由分析結(jié)果可知，無(wú)論是模型的穩(wěn)定性、快速性還是模型的學(xué)習(xí)能力、泛化能力等方面，GA-ELM模型均優(yōu)于其他模型。該模型能夠更加準(zhǔn)確地反映SCR煙氣脫硝系統(tǒng)的動(dòng)態(tài)特性，對(duì)提高SCR脫硝系統(tǒng)的脫硝效率、降低NO排放具有指導(dǎo)意義。

［1］ 秦天牧, 林道鴻, 楊婷婷, 等. SCR煙氣脫硝系統(tǒng)動(dòng)態(tài)建模方法比較[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(10): 2913-2919. QIN Tianmu, LIN Daohong, YANG Tingting, et al. Comparative study on dynamic modeling methods of SCR denitration system[J]. Proceedings of the CSEE, 2017, 37(10): 2913-2919.

［2］ 翟永杰, 張志超. 基于現(xiàn)場(chǎng)數(shù)據(jù)的SCR脫硝反應(yīng)器建模[J]. 計(jì)算機(jī)仿真, 2014, 31(10): 141-144. ZHAI Yongjie, ZHANG Zhichao. Modeling for SCR denitration reactor based on field data[J]. Computer Simulation, 2014, 31(10): 141-144.

［3］ YANG T, CUI C, LV Y, et al. Modeling on SCR process of a coal-fired boiler using LSSVM method[C] //Proceedings of the Control and Decision Conference. Qingdao: IEEE, 2015: 4025-4028.

［4］ HUANG G, ZHU Q, SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks[C]//Proceedings of International Joint Confer- ence on Neural Networks. Beijing: IEEE, 2004: 985-990.

［5］ HUANG G, WANG D, LAN Y. Extreme learning machines: a survey[J]. International Journal of Machine Learning and Cybernetics, 2011, 2(2): 107-122.

［6］ HUANG G, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man & Cybernetics, Part B (Cybernetics), 2012, 42(2): 513-529.

［7］ LI M, ZHANG X. A modified more rapid sequential extreme learning machine[C]//Proceedings of Interna- tional Conference on Computational Intelligence and Commu- nication Networks. Tehri: IEEE, 2016: 336-340.

［8］ HOLLAND J H. Adaptation in natural and artificial systems[M]. Ann Arbor: University of Michigan Press, 1975: 47-62.

［9］ DEJONG K A. The analysis of the behavior of a class of genetic adaptive systems[D]. Ann Arbor: University of Michigan, 1975: 7-12.

［10］ GOLDBERG D E. Genetic algorithms in search, optimization and machine learning[M]. Boston: Addison Wesley Longman Press, 1989: 4-6.

［11］ 玄光男. 遺傳算法與工程優(yōu)化[M]. 北京: 清華大學(xué)出版社, 2004: 24-30. XUAN Guangnan. Genetic algorithms and engineering optimization[M]. Beijing: Tsinghua University Press, 2004: 24-30.

［12］ 周洪煜, 張振華, 張軍, 等. 超臨界鍋爐煙氣脫硝噴氨量混結(jié)構(gòu)–徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)最優(yōu)控制[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(5): 108-113. ZHOU Hongyu, ZHANG Zhenhua, ZHANG Jun, et al. Mixed structure-radial basis function neural network optimal control on spraying ammonia flow for supercritical boiler flue gas denitrification[J]. Proceedings of the CSEE, 2011, 31(5): 108-113.

［13］ 沈伯雄, 趙寧, 劉亭. 煙氣脫硝選擇性催化還原催化劑反應(yīng)模擬研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(8): 31-37. SHEN Boxiong, ZHAO Ning, LIU Ting. Mathematical simulation of flue gas denitration based on selective catalytic reduction catalyst[J]. Proceedings of the CSEE, 2011, 31(8): 31-37.

［14］ 梁志宏. 基于我國(guó)新大氣污染排放標(biāo)準(zhǔn)下的燃煤鍋爐高效低NO協(xié)調(diào)優(yōu)化系統(tǒng)研究及工程應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(增刊1): 122-129. LIANG Zhihong. Study and engineering application of high efficiency and low NOcoordinated optimization control system for coal-fired boilers based on new air pollutant emission standard[J]. Proceedings of the CSEE, 2014, 34(Suppl.1): 122-129.

［15］ 李剛, 賈曉靜, 武寶會(huì), 等. 基于主導(dǎo)因素分析的SCR煙氣脫硝系統(tǒng)噴氨量控制[J]. 熱力發(fā)電, 2016, 45(8): 99-103. LI Gang, JIA Xiaojing, WU Baohui, et al. Spraying ammonia flow control system of SCR denitration system based on leading factor analysis[J]. Thermal Power Generation, 2016, 45(8): 99-103.

［16］ 董澤, 閆來(lái)清. 基于互信息和多尺度小波核偏最小二乘的SCR脫硝系統(tǒng)預(yù)測(cè)模型[J]. 動(dòng)力工程學(xué)報(bào), 2019, 39(1): 50-58.DONG Ze, YAN Laiqing. Prediction model for SCR denitrification system based on mutual information and multiscale wavelet kernel partial least squares[J]. Journal of Chinese Society of Power Engineering, 2019, 39(1): 50-58.

［17］ 秦天牧, 林道鴻, 楊婷婷, 等. 基于偏互信息的變量選擇方法及其在火電廠SCR系統(tǒng)建模中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(09): 2438-2443. QIN Tianmu, LIN Daohong, YANG Tingting, et al. Variable selection method based on partial mutual information and its application in power plant SCR system modeling[J]. Proceedings of the CSEE, 2016, 36(9): 2438-2443.

［18］ 趙文杰, 張楷. 基于互信息變量選擇的SCR煙氣脫硝系統(tǒng)非線性自回歸神經(jīng)網(wǎng)絡(luò)建模[J]. 熱力發(fā)電, 2018, 47(9): 22-26. ZHAO Wenjie, ZHANG Kai. NARX neural network modeling of SCR denitration system based on mutual information variables selection[J]. Thermal Power Generation, 2018, 47(9): 22-26.

Dynamic modeling of SCR denitrification system based on GA-ELM

CHENG Lin, ZHAO Wenjie

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

In order to predict the mass concentration of NOxat outlet of the SCR denitrification system of coal-fired units, a dynamic modeling method for SCR denitrification system combining the extreme learning machine (ELM) with genetic algorithm (GA) is proposed in this paper. To avoid the influence of input weight matrix and random deviation of hidden layer on the ELM, the GA was adopted to optimize the input weight and hidden layer deviation of the ELM, and the SCR denitrification system model based on GA-ELM was established. Moreover, the GA-ELM model was verified by actual operation data of the SCR denitrification system of a coal-fired power plant, and the results were compared with that predicted by least squares support vector machine (LSSVM) model and the ELM model. The results show that, the GA-ELM model has the highest prediction accuracy and the stronges generalization ability, which can effectively predict the mass concentration of NOxat the SCR denitrification system outlet.

coal-fired unit, SCR denitrification system, extreme learning machine, genetic algorithm, dynamic model, predictive control

National Key Research and Development Program(2016YFB0600701)

程琳(1994—)，女，碩士研究生，主要研究方向?yàn)槿济弘娬維CR煙氣脫硝系統(tǒng)建模及應(yīng)用，845544900@qq.com。

TK323

A

10.19666/j.rlfd.201901016

程琳, 趙文杰. 基于GA-ELM的SCR脫硝系統(tǒng)動(dòng)態(tài)建模[J]. 熱力發(fā)電, 2019, 48(6): 29-33. CHENG Lin, ZHAO Wenjie. Dynamic modeling of SCR denitrification system based on GA-ELM[J]. Thermal Power Generation, 2019, 48(6): 29-33.

2019-01-17

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFB0600701)

趙文杰(1968—)，男，博士，副教授，主要研究方向?yàn)閿?shù)據(jù)驅(qū)動(dòng)建模方法及應(yīng)用，zwj12342234@126.com。

（責(zé)任編輯 杜亞勤）