基于人工智能優(yōu)化算法的聚丙烯熔融指數(shù)預報建模優(yōu)化研究.pdf_第1頁
已閱讀1頁,還剩105頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、聚丙烯在生產(chǎn)生活中的重要地位對聚丙烯生產(chǎn)過程中的產(chǎn)品質(zhì)量控制提出了更高的要求,其中熔融指數(shù)(Melt Index,MI)預報顯得尤為關鍵。本文研究了丙烯聚合生產(chǎn)過程中的MI軟測量預報問題,針對生產(chǎn)過程的高度非線性和復雜性采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡進行建模,然后使用人工智能優(yōu)化算法進行模型結構優(yōu)化;本文提出了若干改進的人工智能優(yōu)化算法,算法有效的改善了模型結構、提高了模型的預報性能;得到的模型都能成功的應用于實際工業(yè)數(shù)據(jù)的預報工作,

2、為實際生產(chǎn)中的MI軟測量預報提供了諸多選擇。
   全文主要工作及貢獻如下:
   (1)針對丙烯聚合生產(chǎn)過程進行變量提取,利用RBF神經(jīng)網(wǎng)絡建立起MI軟測量模型;隨后引入主元分析方法(PCA),對模型輸入變量進行簡化處理后再建立MI預報RBF神經(jīng)網(wǎng)絡模型.研究結果表明了RBF預報模型的有效性和PCA方法在簡化模型、提高模型性能方面的積極作用。
   (2)基于粒子群(PSO)算法和模擬退火(SA)算法,根據(jù)兩者

3、各自在全局搜索和局部搜索方面的優(yōu)劣特點,提出了一種MPSO SA算法用于MI預報RBF神經(jīng)網(wǎng)絡模型結構優(yōu)化,得到的MPSO SA-RBF模型具有很好的預報效果與推廣泛化能力。研究結果證明了PSO算法與SA算法結合的有效性和MPSO SA-RBF模型在實際生產(chǎn)中的良好預報效果。
   (3)基于蟻群(ACO)算法提出了一種自適應ACO算法用于MI預報RBF神經(jīng)網(wǎng)絡模型結構優(yōu)化,優(yōu)化后的模型具有很好的性能;考慮到單一RBF神經(jīng)網(wǎng)絡模

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論