共查询到10条相似文献,搜索用时 19 毫秒
1.
2.
3.
为了有效解决支持向量机(SVM)模型在参数选择上的盲目性问题,进而提高该模型的学习性能和泛化能力,将果蝇优化算法(FOA)引入该领域,提出了一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化优化算法选择全局最优的SVM惩罚因子和核函数参数,从而建立SVM分类模型,进而基于该模型对实际问题进行应用。将该模型应用于对有机化合物的熔点预测问题中,实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。 相似文献
4.
环己醇、环己酮、二甘醇三组分汽液相平衡研究 总被引:1,自引:0,他引:1
用ROSE平衡釜测定了环己醇(1)-环己酮(2)、环己酮(1)-二甘醇(2)、环己醇(1)-二甘醇(2)3对二元系常压下的汽液相平衡数据,并对其进行了热力学一致性检验。用改进的Peng-Rob inson方程计算了气相逸度系数,用W ilson方程和NRTL方程分别计算了液相活度系数,拟合得到了模型参数。通过对实验数据进行关联,取得了较满意的结果:二元系实验数据与模型计算值的平均相对偏差在3%以内,三元系实验数据与模型计算值的平均相对偏差在4%以内。所关联的模型参数可靠,实验取得的相平衡数据可用于化工生产的设计、模拟与优化。 相似文献
5.
准确地预测原油管道蜡沉积速率能够有效确定清管周期,以保证原油管道安全运行。针对BP神经网络(BPNN)模型学习效率低、对初始权重敏感且容易陷入局部最优状态等缺点,采用改进的麻雀搜索算法(ISSA)来优化BPNN的初始权值和阈值,建立ISSA-BPNN蜡沉积速率预测模型。以华池作业区38组蜡沉积实验数据为研究对象,使用MATLAB软件搭建预测模型并进行预测,同时与BPNN模型、遗传算法优化的BPNN模型(GA-BPNN)、粒子群优化算法优化的BPNN模型(PSO-BPNN)以及SSA-BPNN模型进行对比分析。结果表明:ISSA-BPNN模型预测蜡沉积速率的平均相对误差为1.353 1%,决定系数R2为0.994 8,均优于BPNN、GA-BPNN、PSO-BPNN和SSA-BPNN模型的预测结果,证明了ISSA-BPNN模型作为预测管道蜡沉积速率工具的准确性和可行性。 相似文献
6.
采用超临界水氧化(SCWO)法处理废旧轮胎热解过程中产生的脱硫废液,利用响应面法对处理过程中的主要影响因素进行了优化,并通过中心复合设计(CCD)建立了COD去除率的二次回归模型。将实测值与根据模型计算的预测值进行对比,结果表明,以模型代替真实实验点对实验结果进行分析具有较高的可靠性。 相似文献
7.
采用管式反应器与间歇反应器串联的方式考察了2,4,6-三磺酸基间苯二酚(TSR)选择性硝化制备2-磺酸基-4,6-二硝基间苯二酚(DNRS)的过程。建立了三步串联硝化反应宏观动力学模型以及等温均相间歇反应器模型(BR),对实验数据进行优化拟合估计动力学参数:将获得的动力学参数应用于一维定态轴向扩散管式反应器模型(LM)中,并与实验值进行对比验证。结果表明,三步串联硝化反应的表观活化能分别为57.66,40.05,130.89 kJ/mol;轴向扩散降低了串联硝化反应中间产物的选择性及收率,目标产物DNRS的最大收率随着管式反应器管径的增加而减小。分析比较了LM模型与BR模型的计算结果,并对管式反应器的放大进行了模拟计算。研究结果可用于TSR硝化反应器的设计和过程的优化。 相似文献
8.
9.
运用BP神经网络建立了助催化剂含量与催化剂活性之间的预测模型,对Fe1-xO基氨合成催化剂的助催化剂进行优化。首先将前期实验数据整理归纳为含有3、4、5、6和7个助催化剂等5类催化剂,以助催化剂含量(体积分数)为输入变量,以425℃反应器出口氨浓度(活性)为输出变量,对助催化剂进行优化。结果表明,BP神经网络预测模型拟合值均方误差最高为0.2784,预测值均方误差最高为0.1592,构建的BP神经网络模型准确度较高。在该模型的基础上,运用多种群遗传算法进行极值寻优,求解最优的催化剂配方,并进行实验验证。结果表明,根据优化结果制备5个样品的实验测定值与预测值的相对误差最高为2.88%,优化结果较为准确;含有7个助催化剂的催化剂活性最高为18.83%,比原样本的统计平均活性值(17.52%)高1.31%,相对提高7.48%,助催化剂含量优化取得满意的结果。 相似文献
10.
《化工学报》2017,(3)
针对谷氨酸发酵过程关键生化参数难以在线检测给发酵优化控制带来困难问题,基于谷氨酸5 L发酵罐发酵过程,建立基于偏最小二乘(PLS)和最小二乘向量机(LSSVM)相结合的谷氨酸浓度预测模型;利用PLS对输入变量进行特征提取降低维数和消除相关性,以简化模型和提高模型精度。为确定谷氨酸发酵最佳预测模型,简化后的预测模型与发酵动力学模型进行比较;实验结果表明,简化后的耦合模拟退火(coupled simulated annealing,CSA)对参数进行优化的LSSVM模型具有最好预测性能,相对PLS预测模型和发酵动力学模型具有明显优势,均方根误差分别为1.597、8.49和2.934,可以为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。 相似文献