基于灰色关联分析的bp神经网络水合物生成量预测.docxVIP

基于灰色关联分析的bp神经网络水合物生成量预测 近年来，国内外科学家主要应用了bp神经网络模型、小波神经网络模型、马尔科夫链预测、灰色理论等模型。 CO 1 实验系统和数据处理 1.1 实验设备 实验装置如图1所示，主要部件包括压缩机、水冷式气冷器、节流装置、CO 1.2 处理数据 CO 根据方程可以计算出水合反应所消耗水的质量m 1.3 实验方法和工作 为了研究系统中水合物的生成特性及系统变量对水合物生成量的影响，实验中设置3个变量因素，分别为添加剂TBAB浓度、CO 2 灰色相关bp-b网络预测模型的建立 2.1 影响度的灰色关联分析 灰色模型是通过灰色量白化的方式，利用已知信息来预测未知信息的模型 设X 在GM(1,n)模型中，称a为发展系数，称b GM(1,n)模型的近似时间响应式见式(7)。 为X 为了更好地分析不同影响因素对水合物生成量的影响度大小，需要进行灰色关联分析。灰色关联度的定义是：对于2个数据序列X 2.2 bp神经网络的构建 BP神经网络是在各领域中使用最普遍和有效的神经网络之一，属于前馈神经网络的一种 在构建BP神经网络前，需要将数据按照式(10)进行归一化处理，使处理后的数据均匀分布在0～1之间。 式中，X 在将数据进行归一化处理后，将数据分为训练和测试两部分，利用Matlab中的newff函数构建BP神经网络。在模型得出结果后，需要将预测结果反归一化得出预测最终结果。根据算法原理，BP神经网络的3个主要参数为传递函数、隐含层神经元个数和训练函数。传递函数选择tansig函数，训练函数选择trainlm函数。 隐含层神经元个数可根据式(11)来确定大致范围。 式中，h为隐含层神经元个数；n 由图3可知，当隐含层节点数为7时平均相对误差最小，因此确定BP神经网络结构为3-7-1型，后续工作也基于此结构进行分析。 2.3 模型的组合 模型组合预测的基本思路是将不同的模型通过适当的方式结合起来得到组合模型 2.4 配方的确定 根据灰色关联度的定义，求得3个影响因素与水合物生成量的灰色关联度，见表2。 灰色关联度可以直观反映出两个因素变化趋势的相似程度，灰色关联度越大，相似程度越高。表格数据说明对水合物生成量影响最大的参数是充注压力，其次是初始温度与添加剂浓度。在实验中，充注压力的变化会直接改变参与水合反应的气体质量，对水合物生成量影响最直接，初始温度决定了反应的总体时长，而添加剂则是在前两者确定的基础上对水合物生成量的进一步提高，计算得出的关联度大小符合实际情况。 2.5 预测结果对比 灰色预测方法具有可用少量数据得到较为精确的结果的优点，本文选取15组工况数据进行预测，结果如表3所示。 首先对GRM(1,n)模型的预测值进行后验差检验：计算方差比c=S 2.6 模型拟合结果 选取本文作者课题组累积的80组数据作为训练数据，15组数据为测试数据，通过确定网络的结构与参数进行训练，预测结果见表4。 分析两种单一模型结果可知，GRM(1,n)模型的平均相对误差5.48%小于BP神经网络模型的5.79%,BP神经网络模型的最大相对误差为13.52%，说明BP神经网络在局部数据量较少的情况下精度较差，而GRM(1,n)模型对数据的需求量较少，最大相度误差也小于13.52%。然而GRM(1,n)模型在数据量过多时效果较差，所以为了充分利用单一模型的有效信息，克服单一模型的缺陷，引入组合预测模型。 2.7 grt-pcr模型 考虑到Matlab程序编制简单实用，依然选择Matlab求解GRM(1,n)-BP神经网络组合模型，预测结果见表5。 从表3～表5可以看出，组合模型具有较好的预测性，最大相对误差10.78%比其余两种模型小，平均相对误差5.36%，也优于单一模型。此外，GRM(1,n)模型、BP神经网络模型及GRM(1,n)-BP组合模型的均方误差分别为0.0411、0.0470及0.0329。均方误差可以评价数据的变化程度，其值越小，说明预测模型描述实验数据具有更好的精确度。GRM(1,n)-BP组合模型的均方误差小于其余两种单一模型，进一步验证了组合模型预测结果更精确，且改善了个别预测误差较大数据的拟合值，能更好地用来预测压缩式系统CO 2.8 充注压力对水合物生成量的影响 基于上述分析，为了进一步验证所建立的组合模型的适用性，利用GRM(1,n)-BP神经网络组合模型对实验装置中的单一关键变量对水合物生成量的影响进行考察，基本思路为：使用标定的工况和操作方式，只改变添加剂TBAB浓度、CO 具体的工况：初始温度为298.15K,TBAB质量分数为15%，充注压力为3.2～4.0MPa。将这一组工况代入GRM(1,n)-BP神经网络组合模型，得到不同充注压力下的水合物生成量。结果如图4所示。 图4表示了充