未来智讯 > 神经网络论文 > 利用BP神经网络预测原油粘度

利用BP神经网络预测原油粘度

发布时间:2019-01-11 01:06:01 文章来源:未来智讯    
    利用BP神经网络预测原油粘度作者:未知   [摘要]: 神经网络是一种抽象的数学模型,研讨BP神经网络的特性并利用该网络预测原油粘度,建立了一个BP神经网络模型,最终利用MATLAB环境下的神经网络工具箱开发相应的程序,并最后将其用于原油粘度的预测。
  [关键词]:BP神经网络;MATLAB;原油粘度;预测
  中图分类号:O29 文献标识码:A 文章编号:1002-6908(2007)0120011-02
  
  1. 神经网络的基本原理
  
  1.1 神经网络简介
  人工神经网络(Artificial Neural Networks, ANN)是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论。它是对人脑的抽象、简化和模拟,反映人脑的基本特征。神经网络的研讨是从人脑的生理结构起程来研讨人的智能行为,模拟人脑处理信息的功能。它是植根于神经学、数学、统计学、物理学、计算机科学及工程等学科的一种技能。它与人脑的相似之处概述为两个方面:一、神经网络获取的知识是从外界环境中学习得来的;二、互联神经元的联接强度,即突触权值,用于存储获取的知识。作为现有神经网络主要模型之一的误差反向传播神经网络(BP神经网络),可以变成任何连续非线性映射的任意近似,特别符合于预测、模式识别、诊断分类等事务。
  
  1.2神经网络模型
  作为神经元模型应具备三个要素
  (1) 具有一组突触或联接,常用 表示神经元 和神经元 之间的联接强度,或称之为权值。
  (2) 具有反映生物神经元对空间整合功能的输入信号累加器。
  (3) 具有一个激励函数用于限制神经元的输出。
  
  1.3神经网络的分类及学习准则
  将网络结构和学习算法相联合,神经网络可分为单层前向网络、多层前向网络、反馈网络、随机神经网络、竞争神经网络、神经网络有5个基本的学习准则:赫布(Hebb)型学习准则、误差修正型学习准则、基于记忆的学习准则、随机型学习准则和竞争型学习准则。
  
  1.4BP网络学习算法
  BP算法的基本思维是利用LMS学习算法,在网络的学习过程中使用梯度搜索技能,利用误差向后传播来修正权值,从而实现网络的实际输出与期望输出的均方差最小化。
  
  2. 模型的设计方案
  
  2.1 模型设计的目的
  此设计是在MATLAB环境下,应用神经网络的处理模型完成对一系列输入样本进行不时地训练以得到一个较好的函数模型,使得将检验样本代入所得到的实际结果与理想结果吻合,并用它来解决原油粘度的预测与检测问题。此问题需要的是一个较好的运行软件支持及较完备的数据组,以便运行的顺利进行。
  
  2.2 模型的结构
  多层前馈式神经网络(MLP)是迄今为止应用最为广泛的神经网络,而BP算法是最著名的多层前馈网络训练算法。一般习惯将单隐层BP神经网络称为三层反馈网络,所谓三层包括输入层、隐含层和输出层.输入层和输出层的单元数是由具体问题的输入层参数和输出层参数来确定的,而隐含层的单元数则由具体问题的复杂程度、误差降落等情况来确定。
  
  2.3 模型的建立
  本课题为建立原油粘度的预测模型采集了一些辽河原油族组成与粘度的数据,假如有 ( 取为36)个样本,每个样本含有
  
  
  
  3.实例分析
  
  3.1BP算法的程序实现
  (1)初始化;(2)输入训练样本,计算各层输出;(3)计算网络输出误差;(4)计算各层信号误差;(5)调整各层权值;(6)检验是否对所有样本完成一次训练;(7)检查网络总误差是否达到精度要求。
  
  3.2结果分析
  文章以原油的四个组成成分为输入节点,以粘度为输出节点进行BP网络训练和仿真.训练中选取trainrp算法,网络的拓扑结构为三层BP网络,隐含层的神经元个数为10,初始学习速率为0.8,以误差0.001作为收敛的标志。
  具体操作:将36组原油粘度数据分成训练集(30组)和预测集(6组)两组,其中训练集数据用来训练并建立网络,预测集是为了进一步测试该神经网络模型的正确性和实用性。为了提高神经网络的训练速度和预测的准
  
  注:本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0111/78726/
 与本篇相关的热门内容: