网络解吸论文：微波的网络解吸系统模拟评析范文

作者：曹晓强张浩黄学敏单位：山东科技大学化学与环境工程学院山东省环境保护科学研究设计院西安建筑科技大学环境与市政工程学院

人工神经网络解吸模型建立

BP(ErrorBackPropagationNetwork)神经网络是目前应用最为广泛和成功的人工神经网络之一。它由输入层、输出层和隐含层组成。本研究将采用该网络建立解吸模型，从而对活性炭的微波解吸过程进行研究。

1输入和目标向量设计在本实验中，解吸温度(T)、载气线速(v)、活性炭床层厚度(d)、活性炭对甲苯的吸附量(m)、解吸时间(t)是影响出口浓度的5个影响因子。以这5个影响因子的并集作为神经网络的输入，所以神经网络的输入是一个5维的向量。

显而易见，目标向量就是预测的出口浓度(c)，这样一来，输出变量就成为一个1维的向量，网络结构见图1。获得输入和输出变量后，由于其中各个指标互不相同，原始样本中各向量的数量级差别很大，为了计算方便及防止部分神经元达到过饱和状态，在研究中对样本的输入进行归一化处理，即将数据处理为区间[0，1]之间的数据，归一化方法有很多种，这里采用如下公式：

2BP网络设计

2.1网络创建网络的输入层神经元个数为5个，输出层神经元个数为1个。则隐含层神经元个数=2×输入层神经元个数+1，得到隐含层神经元个数为11，即为5-11-1形式。网络输入向量的范围为[0，1]，隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，正好满足网络的输出要求。网络参数为：训练函数trainlm、学习函数learngdm，性能函数mse。

2.2网络训练与测试

网络训练过程是一个不断修正权值的过程，通过调整，使网络的输出误差达到最小，满足实际应用的要求。训练函数采用trainlm，训练参数为：训练次数1000、训练目标0.001、学习速率0.01，训练样本为实验所取得的合格数据（本研究训练样本数据为197组）。网络的训练结果见图2。

结果及讨论

由图2可知，经过124步收敛后，精度值达到0.0009899677，网络满足指定精度要求。训练好的网络还需要进行测试才可以判定是否可以投入实际预测应用。实验采用29组新的实验数据作为测试数据，以此检验预测误差能否满足要求。由matlab程序输出的实验中实际的出口浓度（data1，已进行无量纲归一化）与网络测试数据输出的出口浓度（data2，已进行无量纲归一化）的对比曲线见图3。由图3可以看出实验中实际的出口浓度（data1）与网络测试数据输出的出口浓度（data2）之间有较好的一致性。

实测数据与预测数据实际值的对比情况见图4（解吸温度500℃、载气线速7.3cm/s、活性炭床层厚度2cm、活性炭对甲苯的吸附量366mg）。同样，由图4可以看出，预测值与真实值基本一致，显示出了该方法的有效性。预测误差如图5所示，由图5可见，网络的预测值（网络测试数据输出的出口浓度）和真实值（实验中实际的出口浓度）之间的误差较小，多数数据的误差范围在±5%之内，显示出该方法具有较高的实用性。

结论

(1)神经网络具有的优点主要包括：不需要建立数学方程，具有自适应性和学习功能，应用范围广等特点。

(2)本研究所建立的预测模型具有较高的预测精度，多数数据的预测值与实际值之间的误差在±5%以内，能够满足实验的要求。

(3)研究结果表明，利用BP神经网络模型对微波解吸进行预测是可行的。