神经网络在石蜡氧化中的应用.docVIP

神经网络在石蜡氧化中的应用 　　摘要：在石蜡氧化研制特种蜡课题的实验室开发过程中，利用人工神经网络将氧化蜡的酸值和酯值与石蜡氧化条件（反应温度、空气流量和反应时间）进行关联，建立了石蜡催化氧化的BP神经网络模型，并用该模型对石蜡氧化规律进行了预测。结果表明，该模型具有满意的预测能力。 　　关键词：石蜡氧化；神经网络；学习速率；模拟误差 　　中图分类号：TQ031 文献标识码：A 文章编号：1009-2374（2011）31-0074-02 　　人工神经网络是由大量的很简单的处理单元广泛联接构成的复杂网络系统。它可分为有监督模式和无监督模式两大类。有监督模式的典型代表是误差反向传播BP神经网络，该网络通过对网络的训练达到函数逼近、模式识别、分类、数据压缩的目的。另外，它在处理非线性问题上也有明显的优越性。具有自学习能力，能从有限的样本学习知识然后预测未知信息，因此有着广泛的应用领域。在石蜡氧化工艺参数的确定过程中，存在着多因数配合试验的问题。若采用正交试验的方法对反应条件进行分析，无论从精度上还是推广能力上都存在一定的弊端。本文利用BP神经网络将氧化蜡的酸值和酯值与石蜡氧化条件（反应温度、空气流量和反应时间）进行关联，建立了石蜡氧化的神经网络模型，并用该模型对其氧化行为进行了预测。 　　一、BP神经网络模型的建立 　　本文采用三层前馈型BP神经网络，分别是输入层、输出层和隐含层。 　　（一）隐含层神经元个数的选择 　　在石蜡氧化神经网络的设计过程中，隐含层神经元个数，网络学习速率和网络收敛精度是三个最重要的参数。隐含层神经元个数决定BP网络的结构，是神经网络设计的核心。以下的12组试验数据显示了隐含层神经元对网络精度的影响。 　　从图中可以看出神经元在7、8、10处都有较好的精度，最终选择的是8个神经元。原因在于结合皂化值试验误差必定大于酸值误差这一事实。由此最终筛选出只有8个神经元结构唯一符合要求。 　　（二）学习速率的选择 　　网络学习速率一方面决定了网络的训练速度，另一方面决定了训练的质量。对于平滑度和指数关系较好的规律识别可以采用相对较小的学习速率以获得较高质量的网络。对于石蜡氧化BP神经网络的设计采取了中等学习速率的神经网络，是考虑到了试验误差作用和网络收敛速度的可行性。 　　精度 网络学习 　　由下图可知，网络学习速率一般在范围0.001～0.01之间为宜。若学习速率设置太大，则网络误差明显上升。 　　二、网络模型的训练 　　根据石蜡在不同反应条件下进行氧化所得到的实验数据，作为训练样本对神经网络进行训练。 　　1．初始化。设置网络的初始值，精度要求，样本个数等。 　　2．网络训练。根据训练样本的值，采用BP算法训练修正网络的权值，直到满足精度要求为止。 　　三、网络模型的预测 　　以上数据可以看出所用的神经网络性能还是比较好的。因此，可以肯定以上分析的可靠性。 　　四、结论 　　1．本文所建立的石蜡氧化的神经网络模型具有很好的数据拟合能力。 　　2．利用本文所建立的石蜡氧化的神经网络模型预测石蜡氧化反应规律，符合石蜡的氧化反应机理和反应规律，表明该模型具有满意的预测能力。 　　 　　参考文献 　　[1] 张晓彤，等．BPNN在改性石蜡滴熔点预测中的应用[J]．辽宁石油化工大学学报，2004，（1）． 　　[2] 董长虹．Matlab神经网络与应用[M]．国防工业出版社，2005． 　　[3] 冯玉海，沈本贤，陈新，等．石蜡氧化改质的研究[J]．华东理工大学学报，2001，（27）． 　　[4] Martin.Hagan，HowardB.Demuth，Mark H.Beale著，戴葵，等译．神经网络设计[M]．机械工业出版社，2006． 　　 　　（责任编辑：赵秀娟） 3