BP神经网络模型在空分制氧质量预测中的应用

第30卷第10期通化师范学院学报vL.30№102009年10月JOURNAL OF TONGHUA TEACHERS COLLEGE0ct.2009BP神经网络模型在空分制氧质量预测中的应用郭丹,李洋(通化师范学院计算机科学系,吉林通化134002)要:建立BP神经网络模型对空分制氧氧气提取纯度进行预测依据BP算渎的基本原理、建立网络模型的基本原则和步嚷,确定建模对象、閂络结构,抽取相关数操进行训练将训练样本和测试样本进行对比,二者具有相同的拟合能力能对未知结果做出预测关鵪词:空分制氧;BP神经网絡;网络训练中图分类号:TP302.1文献标志码:A文章号:1008-7974(2009)10-0036-03收稿日期:200-04-2作者简介:郭丹(198一),女,吉林通化市人,硕士,通化师范学院计算机科学系讲师1引言用的传递函数是 Sigmoid型函数:氧气的制造,在国内外许多工业领域都十分热sig(n)=1/(1+exp(-n))门原因在于氧气的应用特别广泛无论是在钢铁行BP算法中有两个参数a和,其中权重修正系业、有色金属行业、化学工业,还是在机械工业、国防数n对收敛影响很大采用并行模拟退火遗传算法得工业、医疗部门,都离不开氧气的使用到这两个参数的较优值.另外,三层以上神经网络使随着时间的推移和技术的不断发展,工业制氧用BP算法时初始权值不能过大或过小那样会影响方法出现了很多种但被大量采用的是空气分离法,学习速度,也不能都为零或都相同,否则隐层各单元即将空气压缩冷却使空气饱和液化,利用氧、氮成不能出现差异运算不能正常进行因此开始时的初分的沸点差用精馏的方法将氧氮分离从而获得高始值选为权值在(-1,1)之间的随机分布的小数纯度的氧和氮3建模的基本原则和步骤为了提高工作效率减少资源浪费、材料耗费等为确保BP网络模型的泛化能力,建模过程必须目的采用目前引起工业领域学者和专家极大关注遵循一定的基本原则和步骤建立BP网络模型的基的人工智能方法一BP神经网络模型,对整个空气制本原则和步骤如下氧流程进行监控,能够实现对其提氧纯度的预测①样本数据的收集和分组要求收集尽可能多2BP基本理论和典型性好的样本数据,并且确定是正确的数据源BP( Back Propagation)神经网络是一种单向传未经处理的或者虚假的数据将妨碍对网络的正确训播的多层前馈神经网络,BP学习算法是 Rumelhart练然后将收集到的数据随机分成训练样本和测试等在1986年提出的它是具有三层或三层以上的神样本经网络,包括输入层、中间层(隐层)和输出层,上下②网络结构的确定方法山.在满足精度要求的层之间实现全连接,而每层神经元之间无连接当学前提下,取尽可能紧凑的结构,即取尽可能少的隐层习样本提供给网络后,神经元的激活值从输入层经数和隐层节点数,一般取一个隐层隐层节点数与输各中间层向输出层传播,在输出层的各神经元获得入和输出层节点数、问题的要求都有直接的关系.一网络的输出响应接下来,按照减小目标输出与实际般情况下隐层节点数目太少,可能无法训练出来,误差的方向,从输出层经过各个中间层逐层修正各容错性差但是隐层节点数目太多又使学习时间过个连接权值最后回到输入层,这种算法称为“误差长,误差也不一定达到最佳合理的隐层节点数可以反向传播算法”,即BP算法随着这种误差的传播在综合考虑网络结构复杂程度和误差大小的情况下修正不断进行,网络对输人模式相应的正确率也不用节点删除法和扩张法确定断上升③网络初始权值网络初始权值直接决定了BPBP神经网络的传递函数要求必须是可微的常算法收敛到全局极小点还是局部极小点要求程序必须能够改变网络初始权值饔1获取的实验斂据及网络训练结果④网络模型的训练通过不断调整网络权值使压力温度液氮浓度(%申10)液氮浓度(%·10)次数(Mpa)(-100网络模型输出值与已知的训练样本输出值之间的误0.3℃)实验值计算值误差3)笑验值计算值误差差平方和达到最小或小于某一期望值.判断建立的0.32.059.419.691.78.728.8911模型最直接和客观的指标是测试样本和训练样本20.12.109.649.3312.28.498.639.830.22.039.729.8410.88.628.5010.7误差一样小或稍大,否则说明建立的模型没有有效0.32.189.998211.18.598.7410.650.22.179.8499948.518.8710.2逼近训练样本所蕴含的规律,而只是在这些训练样0.52.15999.9813.78.588.728.9本点上逼近而已0.62.179.98999988.608.7997⑤合理网络模型的确定.合理网络模型是具有90.92.089.849.908.38.678,789.2合理隐层及其节点数训练时没有发生“过拟合”现100.52.179909928.78.598.637.0111.62.119.869946.18.618.98.5象、求得全局极小点及同时考虑网络结构复杂程度121.82.099.89997728.598.816.9131.42.159.859.968.58.638.847.5和误差大小的综合结果141.52.179.909987.18.798.937.94实现过程150.72.049.859.946.38.508.596.8160.82.209899948.18.518.628.24.1建模对象172.12.149.929.957.08.778.876.7建模对象是空气转变液态过程中,其成分质量182.32.109.989.945.38.708.856.2191.82.139.899945.88.698845.3液态空气质量主要是由液态氮及液态氧决定因此,20152903933,3选取液态氮和液态氧作为直接参数,选取压力和温221.12.179.879.924.686186744度作为间接参数,建模归结为在过程稳定条件下建231.62.209.929.975.78.688.724.1240.92.09999.932.88.598.623.8立压力和温度与液态氮和液态氧之间的关系251.72.199.949.%63.18.568.673.74.2BP网络结构2262.02.139.959.973.78.如图1所示建立的BP网络示意图281.62.129.%69.971.58.588.612.091.22.209959.972.28.598.673.1302.12.209.98692.3312.12.089979993.18.618.797.2320.92.069.759.869.78.488.515.1331.32.049.829.874.88.608.7298341.22.089.869.918.48.518.628.1351.82.019%09953.98568.727.64.4结果分析观察可以发现,网络模型通过前30组训练样本田1BP网络示意图进行训练,全局产生的液氮误差和液氧误差均小于输入层有两个节点分别代表压力和温度输出预先设定的误差15%,并且误差值大体上呈下降趋层有两个节点分别代表液氮和液氧的浓度构造了势,可见网络是收敛的可以进行测试31-35组测一个含有一个隐层、一个输人层、一个输出层的BP试样本对网络模型进行测试得到的液氮液氧浓度网络.隐层节点数采取的是经验法,取6个与工业制取的实际结果相近,甚至相同证明该网络4.3网络模型训练模型对训练样本与测试样本具有相同的拟合(或表基于上述BP神经网络模型的建立取学习参数征)能力,即该网络模型的泛化能力很强能较好地为学习速率a=0.15,动量因子=0.6;结束学习用于评价未知样本的条件是训练样本的误差小于15%或趋于稳定或另外,在此网络模型中,仅改变其中一种网络输训练次数达到1000次隐层和输出层均采用Sg人,网络输出的结果也是相近的如图2(a)为改变moid转换函数压力(温度不变)的情况下产生的结果,图2(b)为改目前训练样本数目的确定没有通用方法,一般变温度(压力不变)的情况下生成的结果,二者对比认为样本过少可能使得网络的表达不够充分,从而发现曲线变化不大这一点也验证了所建立的BP网导致网络的外推的能力不够,而样本过多可能会导络模型的可信度致样本冗余现象既增加了网络的训练负担,也有可能出现信息过量剩余使得网络出现过拟合现象因前此本文从工业领域采集35组制取较高氧气浓度的经验数据对所建立的网络模型进行训练及测试,所得实验结果见表1.其中表1中1~30组数据作为网络的训练样本,31~35组作为网络的测试样本图2神经网络模型的输出5结语变并且输入和输出可以抽象为一般的概念BP网络是一种高度非线性关系的映射,在没有模型训练过程中有时也会产生较大的误差这主任何已知的数学知识描述输入输出关系的情况下网要是由于空分制氧流程中受其他干扰造成的但根据络可以通过对大量训练样本的自学习、自适应建立这BP算法的原理模型正向反向反复修订,模型不会发种映射关系能较好地反映系统内部的本质特征及内生畸变这说明了建立BP模型方法具有较强的容错部机理,对未知样本做出的评价更具有客观性性建立BP网络模型的基本原则和步骤对确保训从总体而言,在空分制氧质量监控系统中,通过练后的BP网络模型的泛化能力和预测能力具有重要建立BP网络模型可以达到一定的预期效果能明显作用在建立过程中,网络的输入和输出数目可以改提高经济效益参考文献:[1]朱大铭,人工神经网络的结构学习算法及问题求解研[D]中国科学院研究生院(计算技术研究所),2006,12[2]任广伟,王秀芳,等.BP神经网络在烟蚜发生程序预测中的应用[].华北农学报,2008(23):373-376[3]张大伟,王军.基于BP模型的黄瓜霜霉病图谭特征识荆系純的设计[门沈阳建筑大学学报(自然科学版),200,5(25).[4]邹玮,李璃,汪兴旺BP神经网络在致密砂岩储层识别中的应用[J]石油工业计算机应用,2006(4)(责任编辑:王前)(上接第31页)3小结响我们不仅发现随机共振现象,且在一定的互关联本文选用周期信号调制一维欠阻尼线性谐振子强度下还发现了抑制和双重随机共振现象噪声间系统引人关联双态噪声,运用 Shapiro- Loginov公式的周期调制互关联及由此带来的有趣现象在很多领及双态噪声的特性,推导出输出信号幅度的精确解析域具有潜在的应用价值,有必要作进一步研究表达式,进而研究噪声参数对系统信号放大率的影参考文[IL Carmmaitoni, P. Hanggi and P. Jung. Stochastic resonance[J]. Rev. Mod. Phys., 1998, 70: 223-287[2]M. Gitterman. Classical harmonic[3]T. Wellens, V. Shatokhin and A. Buchleitner. Stochastic Resonance[J]. Rep. Prog. Phys., 2004, 67:45-105[4]胡岗.醢机力与非线性系眈[M].上海:上海科技教育出版社,194:12-200.[5]M. Gitterman. Harmonic oscillator with multiplicative noise: Nonmonotone dependence on the strength and the rate of dichotomous noise[J]Phy.Rev.E,2003,67:057103/1-4.[6]M. Gitterman. Harmonic oscillator with fluctuating damping parameter[J]. Phys. Rev. E,, 2004, 69:041101/1-4[7]. Berdichevaky and M. Gittermanin linear to multiplicative and additive noise[J]. Phys. Rev. E, 1999, 60: 1494[8]V E. Shapiro and V.M. Loginov. "Formulae of differentiation"and their use for solving stochastic equations[]. Physica A, 1978, 91:5639]C 1. Tessone and H S. Wio. Stochastic resonance in bitable systems: The eect o simultaneous additive and multiplicative correlated noises[玎].Mod.Phys.Let.B.,1998,12:1195-1206[10]c.JH S. Wio and P. Hanggi. Stochastic resonance driven by time-modulated correlated white noise sources[ J]. Phys. Rev. E.2.2009.5.21(贵任编辑:王前)Stochastic Resonance in Underdamped Harmonic Oscillator with Time ModulatedCross-correlated Dichotomous NoiseZHENG Li-Ii, YU Zhi-mi(1. Zyin College, Nanying University of Science and Technology, Nanying, Jiangsu 2100462. Department of Physics, Lianyungang Teacheri College, Lianyungang, Jiangsu 222006Abstract: SR phenomenon in an underdamped harmonic oscillator driven by multiplicative and additive dichotomousnoise is studied. In the present of time independent as well as the time modulated cross-correlation, theoutput characteristics of the system are analyzed. It is found that, due to the time modulated cross-cor-relation, the cros-correlated intensity enters into the expression of the system output.Adjusting thecross-correlated intensity, we obtained double stochastic resonanceKey words: dichotomous noise; time modulated cross-correlation; underdamped; harmonic oscillator; stochastic res-