基团贡献人工神经网络集成法估算有机物物性研究进展

介绍了基团贡献人工神经网络集成法的原理,综述了其在各种物性估算中的应用(如有机物的临界参数、常压凝固点、闪点、比容积及偏心因子等),并对该法与单一的基团贡献法、人工神经网络法进行了简单比较。最后对基团贡献人工神经网络集成法的发展方向进行了展望。     

改进BP神经网络在胎面挤出参数预测中的应用

采用隐含层数为4,每个隐含层单元数为10的改进BP神经网络预测销钉机筒冷喂料挤出机的胎面挤出参数.与传统BP神经网络相比,改进算法采用惯性冲量校正、限幅输出和步长自适应解决传统算法学习速度慢且易于陷入局部最小值的问题.Matlab仿真表明,改进算法的收敛速度和收敛效果均明显比传统BP神经网络算法好.训练好的神经网络对胎面挤出过程的参数预测和试验结果间的最大误差为1%,大部分误差小于0.5%.     

基于BP、RBF神经网络的含蜡原油蜡沉积预测

基于冷蜡沉积实验装置所得实验数据,在分析BP、RBF神经网络结构原理的基础上,采用BP神经网络和RBF神经网络分别建立蜡沉积速率模型,计算预测蜡沉积速率,并且对比相同实验数据下两类神经网络模型对蜡沉积预测的精度。结果表明,BP神经网络和RBF神经网络预测精度均满足要求。BP神经网络预测时间要比RBF神经网络更长,而且当神经网络维数增加时预测值的精度不一定会增加;在模拟时要反复尝试隐含层节点个数和其他参数,而RBF神经网络在数据的训练过程中就已给出隐含层节点个数,学习速度更优于BP神经网络,对新数据的适应性更好,在满足精度条件下更易得到最优解。     

基于BP神经网络的化妆品色彩配方设计

为探讨基于BP神经网络模型预测化妆品色彩配方的可行性,以口红为研究对象,按不同比例色素制备100个样本。采用节点数均为15个的2层隐含层、1层输出层的3层网络结构,通过Matlab R2016a软件构建BP神经网络模型,形成颜色RGB参数与口红色素质量配比间的非线性映射关系。在训练次数为10 000次,学习率为0.5时,各色素误差参数均小于0.6,预测配方成品与真实配方成品无明显色差。基于BP神经网络模型的化妆品配色方法,可以直接给出色彩配方,为配色工程师提供了一种快速简单的参考工具。     

基团贡献人工神经网络法估算有机物常压沸点

基于基团贡献应用人工神经网络法对有机物的常压沸点进行了估算 ,输入参数为有机物的基团数 ,输出为常压沸点 ,本方法具有很好的灵活性 ,并能考虑到基团的相互作用 ,189个样本估算的平均相对误差仅为 1.5 9%     

基于遗传算法优化的BP神经网络预测混凝土抗压强度

针对传统BP神经网络预测能力的不足,采用遗传算法优化的BP神经网络预测混凝土28d抗压强度,并建立了GA-ANN预测模型。一方面对模型输入项进行灰色关联分析,找出对强度影响的重点关联因素;另一方面,研究了模型在不同输入项组合、不同训练组和输出组数、不同网络隐含层节点数的操作条件下,其预测精度有何变化,找出了最优的上述操作条件,减少了预测误差。     

GA-BP神经网络的钛合金微弧氧化膜层厚度预测模型的建立

利用正交试验法获得的TC4钛合金微弧氧化实验数据建立了基于4-11-1(即4个输入神经元,11个隐含层节点,1个输出神经元)结构的BP神经网络预测膜层厚度的模型,并引入遗传算法(GA)对其权值和阈值进行优化。以微弧氧化工艺参数中的电流密度、脉冲频率、占空比和氧化时间作为网络的输入向量,氧化膜层厚度作为网络的输出向量,对比和分析了BP与GA-BP模型的预测结果。与BP网络模型相比,GA-BP网络模型稳定性能较好,并能高精度预测膜层的厚度,GA-BP网络模型预测值的平均误差为0.015,最大误差仅为0.036,而BP模型预测结果的平均误差为0.064,最大误差为0.099。     

人工神经网络预测镁铝水滑石纳米晶的差示扫描量热法的吸热值

常压下采用液相法制备了高纯度的镁铝水滑石纳米晶体试样。基于镁铝水滑石的差示扫描量热法（differential scanning calorimetry,DSC）吸热值和水滑石纳米晶体的制备工艺因素（包括：反应时间,反应温度,以及原料NaOH,MgCl2,NazCO3,和NaAlO2的添加浓度）之间的非线性关系,建立三层结构的反向误差传播（back—propagation,BP）网络。为克服由于BP神经网络隐含层的存在,增加训练的工作量,以及当输入的参变量较多时,导致误差曲面过于复杂,出现数据冗余的缺点,尝试了采用主成分分析,对输入变量首先进行预处理。同时,在迭代公式中附加动量项和变换收敛步长．以加快网络训练速度,提高模型的预测能力与相对准确性。计算结果表明：使用改进的BP神经网络模型,对镁铝水滑石纳米晶体的DSC吸热值有较好的预测能力。     

BP网络结构和算法对非线性系统进行辨识

利用MATLAB神经网络工具箱进行了基于BP神经网络的非线性系统辨识仿真研究,针对实际问题选取BP网络结构和BP算法,并对网络输入、输出、隐层节点的个数选取作了探讨,选取一个非线性系统,通过改变隐层节点数和训练函数,找出适当的BP网络结构和算法对非线性系统进行辨识。     

嵌入岭回归的BP算法及其在软测量中的应用

针对三层神经网络(ANN)最佳隐节点个数难以确定和随着隐节点个数增加ANN模型易出现过拟合等缺点,提出了嵌入岭回归(RR)的误差反传算法(BP).BP-RR根据样本规模自适应确定隐节点个数,并通过BP算法充分提取样本数据信息.然后,针对隐含层输出可能存在的复共线性,采用RR以预测性能为指标,通过进化算法确定最佳岭参数,进而重新确定隐含层与输出层之间最佳的权值和阈值,克服ANN过拟合,建立具有良好预测性能的模型.将BP-RR应用于建立石脑油干点软测量,结果显示,BP-RR模型具有良好的预测性能.与ANN相比,BP-RR模型鲁棒性强,预测精度高.     

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。     

基于人工神经网络的炸药性能研究

为了解人工神经网络方法在炸药性能预测的应用及发展,分析总结了BP神经网络在炸药性能预测方面的应用。选取合适的参考量作为输入,建立BP网络学习样本、训练样本,构建网络,训练并优化网络,调整隐含层节点数和迭代次数,使得预测误差处于可接受范围。通过对炸药的装药密度、爆热、爆速以及撞击感度等性能的研究,认为人工神经网络会对炸药更多的性能进行精确的预测,有重要参考价值。     

基于小波神经网络的循环冷却水腐蚀预测研究

利用某石化企业40个月的循环冷却水实际生产数据,基于小神经网络进行了腐蚀预测研究。经过对比分析,得出了小波神经网络预测精度最高的网络模型为6-7-1结构。在相同输入参数向量下,对含有相同隐层节点个数的小波神经网络和BP神经网络进行腐蚀预测对比,小波神经网络比BP神经网络预测精度高。     

人工神经网络法预测有机物基础物性

用神经网络法预测有机物的物性,提出用主成分分析和回归分析的方法,求得输入参数,对有机物的正常沸点、临界温度、临界压力、临界体积、汽化焓、偏心因子等基础物性作了定量预测,估算精度可满足化工计算的要求。     

利用遗传神经网络预测有机物的易燃下限温度

由1171种有机物组成样本集,将利用Dragon软件计算出来的分子结构描述符Mv、CID、EEig02d、GGI1、nROH、nHDon等数值与有机物的易燃下限温度进行关联,借助遗传神经网络方法建立了相应的定量关系模型。结果表明,在给定条件下,由该模型获得的预测值平均相对误差为3.23%,平均绝对误差为10.28K,相关系数为0.9833。新建立的有机物易燃下限温度预测方法具有模型建立简便、预测精度较高、适用面宽等优点,有望在有机危险物品的火灾性能预测及其安全使用方面发挥重要作用。     

基于BP神经网络紫外可见光度法测定苏丹红混合组分

应用人工神经网络,以BP算法对混合样品中苏丹红系列的三种组分(苏丹红Ⅰ、苏丹红Ⅲ、苏丹红Ⅳ)的浓度进行测定。在MATLAB 7.0中建立BP神经网络,优化网络条件,对训练样本进行训练,然后对检测样本进行检测。预测结果的误差范围在0.03%~9.20%之间。当样品浓度<0.1×10-4mol/L时,预测误差较大,均在5%以上;当浓度>0.1×10-4mol/L时,预测的相对误差较小,均在5%以下。该方法已用于模拟水样中微量苏丹红的检测。     

Maximum solid concentrations of coal water slurries predicted by neural network models

The nonlinear back-propagation (BP) neural network models were developed to predict the maximum solid concentration of coal water slurry (CWS) which is a substitute for oil fuel, based on physicochemical properties of 37 typical Chinese coals. The Levenberg-Marquardt algorithm was used to train five BP neural network models with different input factors. The data pretreatment method, learning rate and hidden neuron number were optimized by training models. It is found that the Hardgrove grindability index (HGI), moisture and coalification degree of parent coal are 3 indispensable factors for the prediction of CWS maximum solid concentration. Each BP neural network model gives a more accurate prediction result than the traditional polynomial regression equation. The BP neural network model with 3 input factors of HGI, moisture and oxygen/carbon ratio gives the smallest mean absolute error of 0.40%, which is much lower than that of 1.15% given by the traditional polynomial regression equation.     

基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测

为了避免BP神经网络在训练过程中收敛于局部极小的缺陷,采用自适应交叉变异、最优保存的混合遗传算法对BP网络的权值和阈值进行优化,从而提出一种新的基于混合遗传算法的神经网络模型.该算法首先对一给定的网络结构,采用混合自适应交叉变异和最优保存策略,取各自的长处,用尽可能少的搜索代数找到问题的最优解,从而既防止算法陷入局部最优,又保证算法有较好的平均适应值和最佳的适应值个体.采用上述优化策略的人工神经网络可明显改善收敛的稳定性和收敛速度,并确保网络收敛于全局极小点.人工神经网络运用于物性数据的预测是一个具有潜力和有待开发的领域.运用该模型,根据有机化合物的分子量、临界密度、正常沸点和偶极矩,对其熔点进行预测.预测结果表明：提出的混合遗传算法神经网络优于其他算法神经网络,而且预测结果优于文献上已有的Joback方程和许氏方程的计算值.     

煤矸石-水泥颗粒群匹配与性能关系的人工神经元网络

建立煤矸石水泥胶砂强度与影响煤矸石水泥胶砂强度的主要因素(如：水泥细度、煤矸石细度以及煤矸石与水泥的细度匹配)间的量化预测模型。采用以反向传播学习算法．即神经网络算法(back propagation arithmetic．BP)调整网络中各权值,对煤矸石-水泥体系的胶砂强度与其影响因子建立了BP神经网络模型。用另一套非建模数据进行检验。结果表明：预测值与实测值比较接近,相对误差不超过2%。这说明BP神经网络模型在本研究系统的建立足成功的,它从一些杂乱无章的数据中找出了隐含其中的规律,较好地反映了煤矸石-水泥颗粒群特征参数与其胶砂强度的非线性函数映射,为有效激发煤矸石水泥强度提供了颗粒群匹配的方法。     

Studies on the Applicability of Artificial Neural Network (ANN) in Continuous Stirred Ultrafiltration

An artificial neural network model of a continuous stirred ultrafiltration process, is proposed in the present study, which is able to predict permeate volumetric flux and permeate concentration at different bulk concentration, stirrer speed, pressure and time. Because of the complexity in generalization of the phenomenon of ultrafiltration by any mathematical model, the neural network proves to be a very promising method for the purpose of process simulation. The network uses the Back‐propagation Algorithm for evaluating the connection strengths, representing the correlations between inputs (bulk concentration, stirrer speed, pressure and time) and output (permeate concentration and flux). The network employed in the present study uses four input nodes corresponding to the operating variables, and two output nodes corresponding to the measurement of the performance of the network (flux and permeate concentration). Experiments were performed to constitute the learning databases for the continuous stirred ultrafiltration process using PEG‐6000 solute, and cellulose acetate membrane of 5000 MWCO. The network employed in the present study uses two hidden layers, with the optimum number of nodes being thirty and twenty. A leaning rate of 0.3, and momentum factor of 0.4 was used. The results predicted by the model were in good agreement with the experimental data, and the average deviations for all the cases are found to be well within ±10 %.