網絡解吸論文：微波的網絡解吸系統模擬評析范文
本站小編為你精心準備了網絡解吸論文：微波的網絡解吸系統模擬評析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
作者：曹曉強張浩黃學敏單位：山東科技大學化學與環境工程學院山東省環境保護科學研究設計院西安建筑科技大學環境與市政工程學院
BP(ErrorBackPropagationNetwork)神經網絡是目前應用最為廣泛和成功的人工神經網絡之一。它由輸入層、輸出層和隱含層組成。本研究將采用該網絡建立解吸模型，從而對活性炭的微波解吸過程進行研究。
1輸入和目標向量設計在本實驗中，解吸溫度(T)、載氣線速(v)、活性炭床層厚度(d)、活性炭對甲苯的吸附量(m)、解吸時間(t)是影響出口濃度的5個影響因子。以這5個影響因子的并集作為神經網絡的輸入，所以神經網絡的輸入是一個5維的向量。
顯而易見，目標向量就是預測的出口濃度(c)，這樣一來，輸出變量就成為一個1維的向量，網絡結構見圖1。獲得輸入和輸出變量后，由于其中各個指標互不相同，原始樣本中各向量的數量級差別很大，為了計算方便及防止部分神經元達到過飽和狀態，在研究中對樣本的輸入進行歸一化處理，即將數據處理為區間[0，1]之間的數據，歸一化方法有很多種，這里采用如下公式：
2BP網絡設計
2.1網絡創建網絡的輸入層神經元個數為5個，輸出層神經元個數為1個。則隱含層神經元個數=2×輸入層神經元個數+1，得到隱含層神經元個數為11，即為5-11-1形式。網絡輸入向量的范圍為[0，1]，隱含層神經元的傳遞函數采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig，正好滿足網絡的輸出要求。網絡參數為：訓練函數trainlm、學習函數learngdm，性能函數mse。
2.2網絡訓練與測試
網絡訓練過程是一個不斷修正權值的過程，通過調整，使網絡的輸出誤差達到最小，滿足實際應用的要求。訓練函數采用trainlm，訓練參數為：訓練次數1000、訓練目標0.001、學習速率0.01，訓練樣本為實驗所取得的合格數據（本研究訓練樣本數據為197組）。網絡的訓練結果見圖2。
結果及討論
由圖2可知，經過124步收斂后，精度值達到0.0009899677，網絡滿足指定精度要求。訓練好的網絡還需要進行測試才可以判定是否可以投入實際預測應用。實驗采用29組新的實驗數據作為測試數據，以此檢驗預測誤差能否滿足要求。由matlab程序輸出的實驗中實際的出口濃度（data1，已進行無量綱歸一化）與網絡測試數據輸出的出口濃度（data2，已進行無量綱歸一化）的對比曲線見圖3。由圖3可以看出實驗中實際的出口濃度（data1）與網絡測試數據輸出的出口濃度（data2）之間有較好的一致性。
實測數據與預測數據實際值的對比情況見圖4（解吸溫度500℃、載氣線速7.3cm/s、活性炭床層厚度2cm、活性炭對甲苯的吸附量366mg）。同樣，由圖4可以看出，預測值與真實值基本一致，顯示出了該方法的有效性。預測誤差如圖5所示，由圖5可見，網絡的預測值（網絡測試數據輸出的出口濃度）和真實值（實驗中實際的出口濃度）之間的誤差較小，多數數據的誤差范圍在±5%之內，顯示出該方法具有較高的實用性。
結論
(1)神經網絡具有的優點主要包括：不需要建立數學方程，具有自適應性和學習功能，應用范圍廣等特點。
(2)本研究所建立的預測模型具有較高的預測精度，多數數據的預測值與實際值之間的誤差在±5%以內，能夠滿足實驗的要求。
(3)研究結果表明，利用BP神經網絡模型對微波解吸進行預測是可行的。
