欢迎来到毕设资料网! | 帮助中心 毕设资料交流与分享平台
毕设资料网
全部分类
  • 毕业设计>
  • 毕业论文>
  • 外文翻译>
  • 课程设计>
  • 实习报告>
  • 相关资料>
  • ImageVerifierCode 换一换
    首页 毕设资料网 > 资源分类 > DOCX文档下载
    分享到微信 分享到微博 分享到QQ空间

    外文翻译--通过BP神经网络算法和改进的BP算法研究预测电渗析过程中分离百分比

    • 资源ID:131368       资源大小:185.40KB        全文页数:18页
    • 资源格式: DOCX        下载积分:100金币
    快捷下载 游客一键下载
    账号登录下载
    三方登录下载: QQ登录
    下载资源需要100金币
    邮箱/手机:
    温馨提示:
    快捷下载时,用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)。
    如填写123,账号就是123,密码也是123。
    支付方式: 支付宝   
    验证码:   换一换

     
    账号:
    密码:
    验证码:   换一换
      忘记密码?
        
    友情提示
    2、PDF文件下载后,可能会被浏览器默认打开,此种情况可以点击浏览器菜单,保存网页到桌面,就可以正常下载了。
    3、本站不支持迅雷下载,请使用电脑自带的IE浏览器,或者360浏览器、谷歌浏览器下载即可。
    4、本站资源下载后的文档和图纸-无水印,预览文档经过压缩,下载后原文更清晰。

    外文翻译--通过BP神经网络算法和改进的BP算法研究预测电渗析过程中分离百分比

    1、PDF外文:http:/ 291 (2012) 7893用 BP 神经网络算法和改进的 BP 神经网络 算法 研究预测电渗析过程 的 分离 百分比   摘要   在电渗析过程中, 分离 百分比 (SP)与 一些 影响因素 (进料浓度 (C)、稀 室的流通率 (Q)、 反应温度 (T)和应用电压 (V)有非线性关系 ,并且这些 关系很难 用 一个简单的公式来表示。四个影响因素 对 SP产生了显著影响。在 这篇论文 中 ,对四个因素进行了电渗析实验 研究 。反向传播 (BP)神经网络算法和改进 BP算法 被用于 SP的预测 , 并且 他们的预测能力可以反映出 他们在 非线性关系

    2、 的 复杂 数据 上的适应能力 。 使用 不同的 神经网络结构 、 神经元 传递函数 和 学习率, 可以 获得最佳 训练 参数。比较 BP神经网络 算法和 改进的 BP神经网络 算法 , 由于 改进 BP神经网络算法 适当地 改变 了 正确学习率和 权值 的比率 , 所以它 比 BP神经网络 算法更好 。在高温 和 高 电压的情况下,改进 BP神经网络 算法将有更好的 预 测 性能,这是因为改进 BP神经网络 算法有 大数 值的 泛化能力。   关键字 : BP 神经网络 算法 ;改进 BP 算法 ;电渗析法分离 百分比 ;改进 BP 算法 ;自适应学习 算法  1 &nb

    3、sp;1.导言  电渗析( ED)是 在 电势差驱动力的 帮助下 , 离子 从溶液 的 一个 带电膜 分离 到另 一个电膜的过程。 这一过程广泛用于生产饮用水及从半咸水和海水 中 处理水 、处理工业废水、从污水和盐生产恢复 有用的物料 。文献 1-6中 对 电渗析 的应用和基本原则 进行了 检验 。 因为 其化学稳定性高、灵活性和由于其强大的离子特征带来的 高离子电导率 , 人们 开发 了 许多 使用离子交换膜 的 电渗析 应用 并且 商业化7-10。两种不同类型的离子交换膜用于常规电渗析:阳离子交换 (CEM)和阴离子交 膜 换 (AEM),分别渗透阳离子和阴离子 11。 &nbs

    4、p;然而,在 性能 经营过程 中 ,电流密度应 保持 小于极限电流密度 ,因为 水的离解引起的结垢和膜破损 12。所以测定的极限电流密度和系统的潜力也被执行。极限电流密度是最大电流密度(当前每单位面积 膜 ), 它 可以使用而 且 不会导致高的电阻和较低的电流 功率 等负面影响。在极限电流密度 下 , 在阳离子交换膜或阴离子交换膜表面的阳离子或阴离子的浓度 , 恰到好处的, 在稀室内消耗的溶液是零 12-14。 超越极限电流密度 后 , 水 分 解时生成 的 H+和 OH运输一部分 的电流15。  人工神经网络 (人工神经网络)利用相互联系的数学节点或神经元以形成一个网络,可以模拟复

    5、杂的功能关系 16。它的发展始于 20世纪 40年代以帮助认知科学家理解中枢神经系统的复杂性。它已经稳步发展,并 适应 科学的许多领域。基本上,人工神经网络是 源自人类的大脑在学习的过程 中的 数值结构灵感。他们构造作为替代的数学工具用于解决不同 领域 问题的系统辨识、预测、模式识别、分类、过程控制及 其他 许多 17。人工神经网络已 广泛的 在膜过程 中 应用(反渗透、纳滤、超滤、微滤膜、膜过滤、气体分离、膜生物反应器和燃料电池 )18。然而, 在文献中 很少 有几条应用人工神经网络预测电渗析过程中 SP(分离百分比)的 记录 。  人工神经网络 中受 到最多关注的是反向传播网络

    6、(BPN)19。 BPNs 有分层的前馈网络框架 。 在 经 典 BPNs结构 中 ,产出的每个图层 被 直接送到每个神经元的下一层。 BPNs有许多层,但 人们 认为至少三个图层: 一个接收和分发输入 的 输入层、 捕捉 输入和输出的非线性关系 的中间层或隐藏层 , 和一个 生产 计算数据 的输出层 。 BPNs神经元也可能包含产生恒定的输出但没有收到输入 这样的 偏 差  2  20-21。 BP算法基于 神经网络 错误 最小化 。这些错误被描述为期望的产出与实际之间的差异 22。 当 训练 精度满足时 即 训练完成 (图 1)。  BPNs操作 具有更好的推

    7、广和容错功能,然而,它也有一些不足之处:  (1)慢收敛性可能导致较长的训练时间。  (2)在 训练 过程中出现 可能局部极值点 。  所以在这项研究 中 ,改进的 BP算法被用来改进电渗析过程中 分离百分比 的预测能力。在 这篇论文 中,自适应学习 算 法和灵活的 BP算法是改进的 BP算法在电渗析过程中的应用。  2.材料和方法  2.1.实验仪器和材料  电渗析过程中,在表 1中显示了实验仪器和材料。  此外,其他实验材料 : 量筒 、烧杯、去离子 水等。这些实验的目的是研究 进料浓度、温度、电压和流 通 率 对电渗析电池性能的影响。  2.2.电渗析池 和 电渗析 膜  有机玻璃 (PMMA)做成的 板和框架的 电渗析池 被用来进行电渗析实验 (图 2)。电渗析池 由三部分组成,一对 CEM(阳离子交换膜)和 AEM(阴离子交换膜)和一对电极 。电渗析 池 的 长度、宽度和高度分别为 0.191m、 0.021m和 0.181m。 阳离子交换膜 和 阴离子交换膜 有效 区域都是 0.110.09m 2。这两个电极由纯 铂金制


    注意事项

    本文(外文翻译--通过BP神经网络算法和改进的BP算法研究预测电渗析过程中分离百分比)为本站会员(泛舟)主动上传,毕设资料网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请联系网站客服QQ:540560583,我们立即给予删除!




    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们
    本站所有资料均属于原创者所有,仅提供参考和学习交流之用,请勿用做其他用途,转载必究!如有侵犯您的权利请联系本站,一经查实我们会立即删除相关内容!
    copyright@ 2008-2025 毕设资料网所有
    联系QQ:540560583