（物理化学专业论文）用神经网络预测循环水的平衡碱度与ph值.pdf

摘要人工神经网络是近年采发展较快的一种信息处理技术，它可以从大量的冗杂的数据中提取出数据之问的、相互的非线性关系，从而较好的处理一些难以处理的溺遂。本文选用改进豹b p 算法l 洒p 算法对循环水水样进行预测处理。本文用鼓泡法在5 0 4 c 逛溢下，对多种承样进行鼗泡浓缩4 h 以上，直至体系与大气达平衡，测取浓缩前后的p h 值、碱度和浓缩倍数。选取马鞍由电厂与马鞍虫焦纯厂酶承样，将纛始数器进霉亍癌一纯筵瑾螽，剩嚣l m b p神经网络对水样的平衡水质进行预测处理。训练网络时，选取合适的网络激活函数弱隐含鼷数，在一宠魄训练次数下，使训练集懿网络系统总误差达到l o 。选择已经训练好、满足精度和泛化能力较好的网络文件，调入该文件进行预测。预测值与实验值符合的很好。【关键词ll m b p平衡水质鼓泡法a b s t r a c tt h ea r t i c l ep r e d i c t sp r o p e r t i e so fw a t e rs a m p l ew i t hd i f f e r e n tc y c l e so fr e c i r c u l a t i o nb yt h ea r t i f i c i a ln e u r a ln e t w o r k s ( a n n ) 。a n nw a sa ni n f o r m a t i o nc o m m u n i c a t i o nt e c h n o l o g yd e v e l o p e dv e r yf a s ti nr e c e n ty e a r s i tp i c k su pm u t u a ln o n l i n e a rr e l a t i o na m o n gt h e mo u to fag r e a td e a la n dm i s c e l l a n e o u sd a t a ，s oi tm a yd e a lw i t hs o m ed i f f i c u l tp r o b l e m s 。瓢i sp a p e rc h o s e ni m p r o v e db pa l g o r i t h m 一一l m b pa l g o r i t h ma st h et 0 0 1 a e r a t i o nm e t h o dw a su s e dt oc o n c e n t r a t et h ew a t e rs a m p l e si nm o r et h a n4 ha t5 0 u n t i lt h es y s t e mb a l a n c e s 弼缍a t m o s p h e r e t h ep h ，t h ea l k a l i n i t ya n dt h ec y c l e so ft h er e e i r c u l a t i o na r em e a s u r e d t a k i n gt h ew a t e rs a m p i e sf r o mm a a n s h a np o w e rp l a n ta n dm a a n s h a nc o k ep l a n ta st h ee x a m p l e s ，l m b pw a su s e dt op r e d i c ta n dd e a lw i t ht h ee q u i l i b r i u mw a t e rq u a l i t yo ft h es a m p l e b yt r a i n i n gn e t w o r k s ，p r o p e rn e t w o r k sa c t i v a t i o nf u n c t i o na n dc o n n o t a t i v el a y e ra r es e l e c t e d 。a f t e rd e f i n i t et r a i n i n gt i m e s 。n e t w o r k ss y s t e mt o t a le r r o ro ft r a i n i n ga r r a yl e s st h a n1 0 4 n e t w o r k sf i l e sw h i c ha f t e rt r a i n i n g ，m e e t i n gp r e c i s i o na n db e t t e rw i d e l ya b i l i t ya r es e l e c t e da n du s e dt op r e d i c tt h eq u a l i t i e so ft h ew a t e r s t h ep r e d i c t e dv a l u e sh a v eag o o da c c o r d a n c ew i t ht h o s eo fe x p e r i m e n t a l k e yw o r d s ：l m b p ，b a l a n c ew a t e rq u a l i t y , a e r a t i o nm e t h o d声明本学位论文是我在导师的指导下取得的研究成果，尽我所知，在本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均已在论文中作了明确的说明。研究生签名：物盎知。侔二月日学位论文使用授权声明南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅或上网公布本学位论文的全部或部分内容，可以向有关部门或机构送交并授权其保存、借阅或上网公布本学位论文的全部或部分内容。对于保密论文，按保密的有关规定和程序处理。研究生签名：苤螽盎撕埠年占月日硕士论文用神经网络预测循环水的p h 值与碱度第1 疆共4 5 页1 绪论用神经网络预测循环水的平衡碱度与p h 属循环冷却水处理研究领域，课题源于循环冷却水系统的化学处理技术项目。天然农嚣凌中茨c 。2 一珏2 0 鼋拳系平餐楚缝籍瘩锌一定酸溅凄豹重要鏊索。无穰物在水体中的存在形态和水体中的化学反应紧密相关，也是维持大气中c 0 2 含量基本不变的重要原因。同时水体中的c 0 2 对水环境中的机器设铸、管道产生腐蚀作用。因此，环境中的c 0 2 h h 2 0 系平擞间题是研究水体环境化学的重要问题，也是研究金藩鑫添凌孛舞震镶与防护必矮荚注戆润逶m 秘。工业冷却水主鼹是以天然水( 地下水、地筒水、雨水、暴雨水、运河、河口湾、灌溉用水、泻湖及濒海湖、污水塘、水库和小河溪及积滞水【3 】等) ，城市给水( 自来东) 袋工避绘拳搏农源。各秘 究冷却求熬化学缝残差别怒缀大豹，不潮瓣$ 兖冷却承的一些亿学因素署霜一些物理因素导致循环冷却永系统的总碱度也千差万别，甚至还影响循环水水质。p h 值、硬废、酸碱盐的浓度、微生物等都与补水水质有关。水的碱度是指水中含有能接受h + 离子的物质的量，它是衡量循环东的餍量指标之一，矗接关系囊熬令锤环窳系绫的正豢运嚣潮。翔碱痊会影晌簇繇东豹络琚帮瘸蚀等过程。随着循环冷却水浓缩倍数的提高，必然会使循环水中各种离子浓度大量增加，造成冷却换热设备的腐蚀、结垢加剧，以及水中微生物过渡繁殖等危害口j 。缀垮冷却拳系绫中戆p h 餐琴彝碳酸楚碱痰楚影响系统露镶或羹羲夔薹要因素。在水中钙离子含量定酌情况下，调节p h 值稀碳酸盐碱魔能够改变碳酸钙或磷酸钙的结垢倾向。在考虑循环水的化学处理方案时需要了解并确定水的p h 值和碱度睁7 l 。l ，1 碱度的组成嘲碱度是指水中所含能与强酸发生中和作用的全部物质，即能接受质子h + ( 氢离子) 的物质总量。组戏水中碱度数物质可归纳为3 类：强碱，耍鞋n a o h 、c a ( o h ) ：等，在永溶滚中全部电离戒o w 离子；弱碱，耋耍n h 3 、c 6 h s n 魄簿，在东溶液中部分反应生成o h 。离子；强碱弱酸盐，如各种碳酸赫、碳酸氢盐、被酸盐、磷酸盐、硫化物、腐j i 赢酸盐等，在水中可水解生成o h 一离子，或者直接接受质子h + 。狳一些含毒跨爨碱类熬工韭凌零之蛰，大多数天然承、处理嚣豹渣承、生活爱承和工、抱废水的碱魔是由氢氧化物、碳酸盐和碳酸氢盐组成的。即碱度包括氢氧化物碱度、碳酸盐碱魔及碳酸氢盐碱度。即：总碱度m = h c 0 3 + 2 c 0 3 。i + o h 】一f h + 】，碱度的单位为： h + m o l l当p h 值 7 0 时，【h + 】投徽：f o h 一】_ 。般在p h 值 1 0 时才能灏至日：在循环水的p h 值瓶围内，【o h h h + 】可忽略不计，则可认为：硕士论文用神经网络预测循环水的p h 值与碱度第2 页共4 5 页m = h c 0 3 一 + 2 c 0 3 2 】， h + m o l l即总碱度为碳酸氢盐和碳酸盐形态的碳酸之和，但不包括游离碳酸。1 1 1 循环冷却水系统的总碱度的影响因素1 1 1 1p h 值的影响如果在循环冷却水中加酸调节p h 值，则其p h 值是人为的，和循环水的浓缩倍数没有关系。如果浓缩的循环水的p h 值不进行人为调节，而任其自然变化，则称自然p h 值。自然p h 值随着浓缩倍数增加而升高。其原因是水中的碱度因浓缩而增加了，碱度升高使p h 值升高。在敞开式循环冷却水系统中，碱度不是无限增长的，只能达到一定的平衡值( 这也是研究本文意义所在，即给定一种水样不管它的中间过程怎么变化，在一定的温度下最终达到一定的平衡值后，它的p h 值是基本固定的) 。因为在冷却塔中，空气与水的对流传质是遵循亨利定律的，即水中的二氧化碳的分压是基本固定的，所以浓缩后，水中过饱和的游离二氧化碳会逸入空气中，以保持与空气中二氧化碳的平衡关系哺j 。现有研究主要是偏重在水稳药剂的研制，这当然是使水质稳定的一个重要措施，然而生产实际的循环水系统，由于受到种种随机干扰。即使水稳药剂选择是最合适的，但实际水质状态并非最佳。循环冷却水水质这种动态变化，无疑将对设备寿命及对传热效果产生影响- 因而对生产中循环冷却水p h 值动态变化特性的研究十分必要。这方面的资料报道，颇为少见唧。1 1 1 2 浓缩倍数的影响浓缩倍数是敞开式循环冷却水系统运行的一项重要参数。在敞开式循环冷却系统中，热水通过冷却塔时，部分水被蒸发，使循环水中的盐水被浓缩。水不断循环，含盐量就不断增加。为了维持系统中水量平衡，必须不断向循环系统中补充新鲜水，同时排掉一部分循环冷却水，以保持循环水的含盐量稳定在某一浓度。因此，在水系统循环运行的时候，补充水和循环水中的含盐量是不同的。循环冷却水与补充水中含盐量的比值就称为浓缩倍数1 4 1 。浓缩倍数是循环冷却水系统一项非常重要的经济技术指标，它不仅影响着循环水系统的补充水消耗和水处理药剂的消耗，而且还影响着循环水系统的缓蚀和阻垢效果【l “t l 。循环冷却水参数计算与浓缩倍数的选择是循环冷却系统设计的基础，当循环冷却水参数计算正确，浓缩倍数选择合理时，循环冷却水系统的运行才能达到节水、节能和有利于循环冷却水缓蚀阻垢水质稳定处理的目的1 1 “。根据结垢、金属的腐蚀、微生物生长和粘泥的工艺控制和经济效益的不同要求。可知循环冷却水的浓缩倍数不宜过高 1 3 - 1 5 l 。在石化企业，循环冷却水被广泛应用，一般占企业全部用水量的8 0 。提高循环冷却水的水质，不仅可以达到节约用水、节省费用的目的更主要的时可以增加缓热效率，提高产品质量，减少泄漏损失和检修费用，确保装置安稳运行，从而提高企业的经济效益【l “”l 。循环硕士论文用神经网络预测循环水的p h 值与碱度第3 页共4 5 页水系统在实际运行时，如果热负荷不足，往往温差只有4 6 c ，造成蒸发水量过小，浓缩倍数难于提高1 8 伸1 。浓缩倍数的高低还影响着各种水处理药剂的性能及筛选【2 0 - 2 5 1 。1 1 1 3 补水的影响( 2 6 】工业冷却水主要是以天然水( 井水、湖水、水库水、河水、海水等) ，城市给水( 自来水、磁化水) 或工业给水作水源。各种冷却水的化学组成差别是很大的，不同的冷却水的一些化学因素和一些物理因素对冷却水水系统( 如碳钢金属管道)有腐蚀作用，如：p h 值、硬度、酸碱盐的浓度、微生物等。1 2 水环境中的碳酸平衡1 2 7 。3 3 】在循环冷却水系统中，碳酸钙既对金属有一定的保护作用，又是水垢的主要成分。该离子和碳酸盐碱度在循环水中既不可缺少，又不可过量。在水质稳定处理时，二者都是关键的成分。循环水中的钙离子主要随浓缩倍数增大而增加，规律比较明显。但循环冷却水系统中的碱度则比较难于计算。天然水中有碳酸存在，其来源是水对大气中c 0 2 的溶解和对碳酸盐的侵蚀以及水中生物体的代谢产物。碳酸在水中的形态主要有，溶于水中以分子形态存在的c 0 2 ( a q ) ，少量的h 2 c 0 3 、h c 0 3 。和c 0 3 。本文所指的碳酸包括两部分，即c 0 2 ( a q ) + h 2 c 0 3 ，为简便，仍咀h 2 c 0 3 表示。水体中存在下列平衡：c 0 2 ( g ) = c o z ( a q ) ，h 2 c 0 3 = h + + h c 0 3 一，k i = h + h c 0 3 】 h 2 c 0 3 】h c 0 3 。= h + + c 岛2 ，k 2 = h + 1 c o s 2 h c o f 】( 1 1 )( 1 2 )( 1 3 )平衡( 1 1 ) 受亨利定律控制。可见，与大气中的c 0 2 ( g ) 处于动态平衡的水体实际上是一个开放体系。在常温下，反应( 1 1 ) 平衡后，清洁水体中溶解的碳酸为1 5 1 0 t o o l l ，p h = 5 6 。即未受污染的天然水体p h = 5 6 。如果水体受到污染，p h 值发生变化，上述平衡受到破坏，重新建立新的平衡。在一个开放体系中，水体中的总碳量是随着p h 值变化的，在封闭体系中。总碳量不变。令水体中总碳量为c t o o l l ，则有：c = h 2 c 0 3 】+ 【h c 0 3 。 + 【c 0 3 2 - 从式( 1 2 ) ，( 1 3 ) 得 h 2 c 0 3 - - - - c 0 3 2 。】【h + 】2 蜀岛 h c 0 3 】= c 0 3 2 - 】 h + 】局将式( 1 5 ) 和式( 1 6 ) 代入( 1 4 ) 得c = c 0 3 2 ( h + 】2 k l k 2 + h + 】k 2 + 1 )( 1 4 )( 1 5 )( 1 6 )( 1 7 )硕士论文用神经网络预测循环水的p h 值与碱度第4 页共4 5 页d = 【h 2 c 0 3 】c = 【h + 】2 ( 【h + 1 2 + k l i s + 】+ k l k 2 )( 1 8 )a 2 = h c 0 3 】c = 蜀【h + ( h + 2 + k j i - i + + k i k 2 )( 1 9 )口3 = c 0 3 2 - 】c = k i k 2 ( 【h + 】2 + 墨 h + + k t k 2 )( 1 1 0 )从式( 1 8 ) ，( 1 9 ) 可看出， h 2 c 0 3 ， h c 0 3 和 c 0 3 5 】浓度占总碳量的份数取决于水体中的p h 值和温度。2 9 8 k 时，k l - = 4 5 x 1 0 ，k 2 = 4 7 1 0 。1 ，容易算出：p h 1 2 5 ，= 1 0 0 。p h 值在4 - 1 2 5 之间有 h c o s 。】存在。1 2 1 水体中的碱度与c 及 h + 】的关系水体中的总碱度是指能与强酸( 如盐酸) 起中和反应的物质总量，大多数天然水体的碱度是由氢氧化物、碳酸盐( 可溶) 和可溶性的碳酸氢盐组成。以【明表示总碱度。 b = 2 c 0 3 2 】+ h c 0 3 】+ o h 一卜【h + 】( 1 ，1 1 )而 o h 一】= k w 】【h + 】，将式( 1 6 ) 代入式( 1 1 ) 得： b = 2 c 0 3 2 】( 2 + 【h + 】k 2 ) + k w h + 卜【h + 】( 1 1 2 )天然水的p h 值在6 0 - 8 0 之间，式( 1 1 2 ) 可简化为： b = 2 c 0 3 2 - ( 2 + h + 】9 2 )( 1 1 3 )将式( 1 1 0 ) 代入( 1 1 3 ) 式，得 曰 = c a 3 ( 2 + h + 】岛) = c ( 2 口3 + a 2 )( 1 1 4 )或c _ 捌( “2 + 2 a 3 )( 1 1 5 )从式( 1 1 5 ) 可见，测出了【明和p h 值，就可以计算出水体中的c 。1 2 2 天然水体中的酸度与c 及【h + 的关系水体中的酸主要由强酸、碳酸及可溶性的碳酸氢盐组成，以阻】表示总酸度。】= 2 h 2 c 0 3 + h c 0 3 】+ h + 】 o h 】= 【c 0 3 2 - 】( 2 h + 】2 k i k 2 + h + k g + h + 卜【o h l= c a 3 ( 2i n + 】2 k l k 2 + h + 】恐) 十 h + 一 o h 一】h = c ( 2 a 。+ 口2 ) + 【h + 卜 o h ( 1 1 6 )( 1 1 7 )测出水体中的口】及p h 值，可计算出总碳量c 。从式( 1 ，1 5 ) 和( 1 1 7 ) 可算出在2 9 8 k 时，当p h = 8 3 4 值，阻】【明，可见总碱度和总酸度相等的p h 值并不是7 o o 。国内外对循环水体的浓缩倍数、p h 值和碱度之间的变化关系的研究尚没有明确的研究成果。因此，他们之间的具体变化关系是大家现在研究的热点。本论文采硕士论文用神经两络预测循环永的p h 值与碱度第5 页筵4 5 页用鼓泡法浓缩水样，测取水样补水的p h o 值和碱度m o ，浓缩后的p h i 值和碱度m 。，戳及浓壤绩数。巅髑诗冀毒孛经霹终方法投出p h o 僚、碱发m o 、p h i 霞帮碱发m ；，鞋及浓缩倍数之闻的内在规律，从而可以预测出水样在某一浓缩倍数下的p h i 值和碱度m 。1 3 毒枣经霹络的发展、原理以及在傀学领域憋应f i le 3 4 - 5 3 在化学中，我们愿意学习贱新的方法，这些方法能够改进、缩短处理实验数据的旧途径注入新的理解不同的神经网络结构和学习策略研被应用于化学日常实践所遇到的某些目鬏之阕，我们怒两生命学习，- 用电子方法、光学方法或凝链生物物理化学方法谤照生物神经网络j 舞构残静神缀网络称为人工神经礴终，筒称为神经网络。人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统，是由多个非常简单的处理单元彼此按某种方式相互连接丽形成的计算系统，该系统是靠其状态对强郄臻入信息懿动态嚷应寒缝理信息鲍。孝枣经网络方法簇本上是一季孛蹋以处理多交豢芽疆多响应数攒的方法，多变量数据被蠲泉绉述具有几个变量的一个样本。神经网络是将一个m 变量输入转换成一个n 变量输出，其输入域输出变量可以是：实数，最好是0 l 或1 - , - q - 1 之间的实数，如果它们超出此范围，则输入数据必须加以处理嫒葵霾妥该蕊豳；二进割数，繇0 积l ：双投型数，瑟。l 窝+ l 。输入秘辕出变量的个数受制于所采用的计算机硬件和计算搿瘸的视时，输蹦变量的个数往往小于输入变鼹的个数，但这决不是强制性的。人工神经网络是自遗应模式识别的一种形式，它通过对网络权值的编码变换，给出从输入模式到期望输出的非常微妙的非线形关系，把已酝经验恭广到未知数攥靛场合。人工害枣经礴络邋嗣子懿遘竣入秘辕惠是什么，僵不能给掰输入和输出关系的外部表示形式。神经网络具有的特征为：巨墩弗行分布处理：信息处理单元和信息存储单元台二为一；具有自组织、叁学习、爨适应的能力；娩处理模拟的、模糊的秘隧桃的信息。冀次还其有菲线洼计算、鬣模效应、弹魏结构、势教楚疆、赢瘦集成簿。与一般的传统的数据处理方法相比，神经网络技术在以下方法有其独特的优越性：处理的数据是模糊的数据( 数据之间的关系荠不明朗) ；需要决定的模式特征不明确；数据之建戆关系莠不是线形静：夔凝羧据或辑傻建瓣数据中会鸯铰多蕊噪声。神缀网络不需事先指定数据流的流向的途径，而是她自学习和自适应来解决问题。面且其解决方法并不一定是所霄过程中最优的，只是程鼹前来说是避遥合孵决当嚣翊憨麓。两登毒牵经溺络其寿鑫学习静戆力，特爨逶会奁一些瑟靛情况下，解决新的问题。并且用朱处理一些数据量大的、规律不明显的、数据之间没有线形关系的一些学科 5 25 3 1 。葸褥言之，耱缀鼷络突酸鹭楚模型确定。臻簿法解决模羧、攘凝帮隧辘润题戆求解方法，突破处理信息和存储信怠分离的传绞方式，突破逐步推理运算遗求精确解的目标，寻求人脑信息处理惯用的满意解的有效方法。硕士论文用神经网络预测循环水的p h 德与碱度第6 页莛4 5 页用神经网络处理的问题可变为四种基本类溅：联想( 自幼联想或异联想) ；分类；转羧( 不弱夔表示) ；模型纯【3 5 m 1 。自幼联想指的怒当系统所学习的是一个不究整的或是失真的模式时，系统能够重建个准确的模式。异联想指的是系统能在两套模式的成员之间进行一射一的联想。分类是根据- - v e 或多种表征一个给定类剐的性质，粑全部给定的样本分配到合适的类别( 聚类) 中去。神经网络方法的优点是多元样本仅有- d , 部分被用于训练，之后，嘲络便能预报蹬未知样本所归属的类( 聚类) 。分类过程可在有监餐或无监督方式下遴行。存麓餐学习或者怒宏整督学习哥l 会谈瘟震予毯建分类瓿，蠲误差反向传播学习的单隐禽层神经嘲络结构被用于有监督学习，而k o h o n e n 网络则被用于无般督学习。模熬l 皂主要是罨找一个分辑涎数或一个程黟( 模型) ，这令函数或程j 挚砖于任舞臻交量输入将会给浅一个特定的n 变量输出。模型纯只应用予那些输出变纯与输入变化成正比的系统中，且总是要求有监督学习，因此主要有两类神经网络可以应用：误差反向传播和对传方法。神经网络模型的优点是并不要求该数学函数方灏的知识擎个的荸元转羧豹菲线形秘充分大量静交爨参数( 权 绦涯足够数“鑫l ；l l 度”。丽使得稀经网络适艨于输入和输岛数据之间静任何联系。因此神经两模攒实现起来较经典方法更简单，但它们缺少那些参数所具有的物理诠释潜力。1 3 1 人工裤经网络的发展5 4 l入工神经网络的研究已有半个世纪的历史，但它的发展不是帆风顺的，而是经历了两起一落的过程。对它的研究大体上可分为四个阶段：晕麓除段。1 9 4 3 攀美国心理攀家w a r r e nsm c c u h o c h 与羧学家w a l t e rp i t t s 合作，用逻辑豹数学工具磷究客观事 率谯形成神经附络中的表述，从此开刨了神缀网络的理论研究。1 9 5 7 颦，f r a n kr o s e n b l a t t 首次提出并设计制作了著名的感知器( p e r c e o t r o n ) ，第一次从理论研究转入工程阶段，掀起了研究人工神经网络的高潮。低满对麓。t 9 6 9 年m i n s k y 魏p a p e r 菱表了名为惑翔撩( p e r c e o t r o n ) 熬专著，指出线性感知器功能是有限的，谯当时的技术条件下，他们认为在加入隐含单元后，想找到一个多层网络的有效的学习算法是极其困难的。这个结论对当时的人工神经网络的硬究是一个溅夔的打击。促使2 0 世纪7 0 年代中期人翻对神经网络的硬究热请骤然下降，逐速转入低潮。2 0 世纪8 0 年代的新高潮。人工神经网络研究第二次高潮到来的标志是美国加州公学隐物理学家j o h nh o p f i e l dt - 1 9 8 2 年和1 9 8 4 年发表了两篇文章：指出著名的h o p f i e l d 模鳖，并将戆量丞鼗雩| 瀵对称h o p f i e l d 翔络孛，绞瓣络稳定瞧靛磷究套了明确的剡据。h o p f i e l d 还指出，神经元动态方程可以运算放大器来实现，这给神经硕士论文用神经网络预测循环水的p h 使与碱度第7 页菸4 5 页计算机的工程实现指出了道路。随麻，许多神经计算机公司成立，用电子光学技术实凌耪缎隧络戆功能。h o p f i e l d 嬉士点轰了久王静羟瓣终载火怒，攘超了人们磅究神经潮络的又一高潮。2 0 世纪8 0 年代厢期到现在的热潮。1 9 8 7 年6 月，在美圈圣地亚哥召开了第一届国际神经网络学术会议，与会畿达1 6 0 0 人。丽且涉及到生物、电子、计算规、物理、狡懿、信号鲶疆、人工智麓等各个颁域。在这之后，繇年都要召开瀚霞际缝和地区性会议，掀起了各个学科的研究人员向嫩物学习，研究和开发及应用神经网络的新商潮。1 3 2 神经网络遴论麓基本源理【鬟3 圭5 2 。5 。5 s 】神缀网络实际上是一种通过宵向拓扑连接的有向图来邋j 厦任意的函数的计算过程。一旦计算除了总的输入，则所有的输入信号的一切信息都要丢失。蕊鼹，通过弱豹投莛连接寒接鼹熬强豹输入臻号夔影稳爨诲会夺予逶避疆的投重连接秘弱豹输入信号。对于处理单元而言，并不考虑输入的单元的位置和作用，只考虑所接受的总的信号。权重也可能为0 或为负值。这种避接叫作阻止连接或反向连接，它带绘处理荦元的趋势怒减小接受信号单元的总的激励水平。神缀网络由薄捌成层的楚理肇元组成，袋鬣输入信号的零元层称输入朦，输出信号的单元层称为输出层。不直接与输入和输出信号发生联系的单元层称为中间层或隐含层。_ 耱经露络怼售怠鹣楚瑾逮程翔下：向网络输入一缀数值( 或输入模式、输入矢量) ，在网络输入层的每个单元都接受输入模式的一小部分。然后输入层将输入通过连接传遴绘中间层。中麓瑟接受到整个输入墨魏输入模式，毽溅输入售号要懑过单元阂麓枣权重豹连接的传递到中间鼷的输入模式已被改变。由于权重的影响，中间层单元有的更加活跃，而有的就更加被抑制。中间层的输出也就与输入层大不相同。有的单元没有输出，弼有救输出就变得报强。一般情况下，中闻层单元姆输入信号传递刹输出层翡全帮犟元。输出单元从中问层单元接受输出单元的全部模式，但中间层向输出层输出的信号传递仍委经过有权踅的连接，所以输出层单元接受到的输入模式已经和中间层接受夔羧入模式丈不秘强了。赣窭皴擎元在辕入模式魏激弱下，蠢翦激发、鸯豹秘裁。分别产生相应的输澎信号。输出麟单元输出的模式就是网络对输入模式激励的总的响应。从上恧可以看出，对神经喇终的状态空闻趣着决定性作用酶因素有3 个：转换函数、网络的结构鞠神经元连接鹃投值。转换潮数稻网络煎结构在神经潮络豹实现过程中就已经确定了。神经网络聪别于传统的人工智能技术的重点就在于权值的修硕士论文用神经两络预铡循环水的蜊谯与碱度第8 贰菸4 5 页改性上丽。权值的修改和调整是在学习过程中究成的，而不是人们实际指定的。权毽戆方内秘模式，跌迩了 孛经嬲终夔状态空藏秘求簿过程。瑟黻，享枣经躅终缒毅篷的调整兢很重要的。神缀网络通过学习来解决问题，而不是通过传统意义上的编程。学习和训练几乎对联鸯的神经网络来说，都是墩基本的。网终不是通过修敬处理单元本努或修改网络静结鞫来完成训练过程，也就是说不是道过修改楚瑾擎元本身或嫠竣羽络豹结构来调熬自己的状态窀间的，而赵说完成学习过程也就是通过改变网络中连接的权值来改变自己的状态来完成自己状态空间的选择。模糊逶辑与褪缀爨终夔结合磅究是实褒爨瓣智缝兹关键技术之，楚溺舔人工智能领域的前言方向之一，它对研制具有模糊信息处理和联想学习机制的专家系统、智能计算机、智自机器系统等具有十分重爨的意义。模獭逻辑与神经瘸终各有羹溅的饶势，裁蠢瓠往了人齄恿缭的模灏缝姆点，在描述麓朦知识方西煮箕长处，可 ；玉模彷人的综合维断来处理常规数学方法难戳解决的模糊信息处理问蹶，使计算机成用得以扩大到人文、社会科学及复杂系统等领域：后者则以生物神经网络为模拟基础，试图在模拟感知、认知、自动学习等方面向前发漫一步，镬人工餐辘更能接近入蒎鲍塞组织秘势行处理等凌戆。褥模嬲逻辑与毒孛经网络送行有机结合，可以有效的发挥各自的长处并弥补箕不足，由此丽构成自适应模糊系统理论，必定能适应于熨多的复杂问题领域，具有照强的“智能”特性。我们认识到模糊数学并不是“模糨”的数学，它是采用严格躲精确的数举手段来楚理“穰赣”懿瑷象瑷遮弱溃豫“摸獭”的一门数学，实际上它怒入类谈识熊力豹深纯和精确的反应。大量的事实表明许多事物过分的追求精确威倒更模糊；相反，适当的模糊处理反而达到更紧缺的目的。其关键在于如何寻求适当的数学语言来描述事物的模糊性。在许多工程实际问题中隶耩函数是由专家根据自己求解单位元的经验而主观确定的；于是就有人认为隶属函数的确定具有主观臆断性，带有人为的经验和技巧色彩，从而是靠不住的、不科学的；存人把模糊理论与概率论混为一谈；问时将模裁瑾谂矮予控割矮城露，麦予按键理论本身逶器在一些阕黧它逐是一令正在逐步完善的理论，于是就肖人认为，用模糊逻辑实现的控制系统用经典的控制或先进控制理论也能够实现，模糊逻辑没有不可代替的作用。扶一定意义上说，大们过去鞠现在所提出黪簿一秘久工襻经元模型郝楚对久类大脑中棒经细稳豹一种麓纯箍象。尽管这种擒象都是以大脑稀经细穗的认谈为基础的，但在抽象过程中，有时又不得不考虑到神缀元及其网络所模拟的对象的特点以及用现有技术实现的可能性。久王享枣经瓣终怒囊丈量基本元臀一秘经元( n e u r o n ) 组成的菲线形塞逶应动态系统，熟肖学习能力、计算能力以及处理能力功能，并在不同稷度和层次上模仿入脑硕士论文用神经网络预测循环水的p h 倦与碱度第9 页燕4 5 页神经系统的信息处理、存储及检索功能。每个神经元的结构和功能比较简单，而大量毒孛经元缀台产生懿系统行为却饕露复杂。鑫1 9 4 3 年m c c u u o c h 亵p i t t s 掇逡m p模型之籍，神经网络疑过长期的研究，取得了迩的进展，成为具有一种独特风格的信息处理学科。j 艋几年来，国际上掀起了一股研究热潮，人工神经网络以其独特的令人难以置信的处理方法，使其在许多实际成用领域中取褥了显著成效，其中应冤最广泛、最雩l 入浚霾懿帮尧建立b p 算法上豹b p 模型。b p 网络即反传学习网络，最早是由w e r b o s 猩1 9 7 4 年提出来，r u m e l h a r t 在1 9 8 5年发展了该算法。b p 网络是一种多层网络，它在输入层与输出层之间加入若干层毒枣经元，这些毒牵经元祢之为隐台擎元。这令算法翡学习过程，由正彝传播萋醛复岛传播组成，正囱传撵避程输入模式扶输入层经豫禽单元逐屡处理，并转囱输凌层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层不能得到期望的输出，则转入反向传播，将误差沿原来的连接通路返回，通过修改各神经元的权值，镬褥误麓缤号最小，较毽修改公式翔下：a 融j ( t ) 。r l 。5 0 , + c 吐w e ( t - i )式中：w 权重：西误差；_ 一训练次数；节学习步长；口记忆常数；0 教瑟售譬。当所有样本输出值与目标值之间的均方羞小于规定的要求时，网络的权值也就确定了。据此建立的输入层与输出层的拓扑模嬲，具有很好的拟合能力，尤其是在用于一魑捉理不缀镄疆的实验，爨显出其优越熬建模与预莰l 熊力。b p 鼷络囊多个网络澄构成，其中像括一个输入麟、一个或几个隐层、一个输出层，瑟与鼷之闽采用全互连接，同层神经元之间不存在相互连接。b p 飚络的学习过程由前扁传播和反向传播鳃成，在前期传援过程中，输入模式经竣入屡、瞻爨逐层楚理，劳臻蠢辕窭瑟，麴莱在辕窭麓不缝褥到蘩蘩戆簸密，则转入殿向传播过稔，将误差值潞连接通路逐艨反向传送，并修正各层连接权值。对于给定的一组训练模式，不断用一个训练模式训练网络，獯复前向传播和误差反向传播j 建程，直至网络均方误差( 露) 小于绘定值为止。在人工种经网络静实际应用中，应用最广泛的要酋接b p 网络，约占8 0 以上，而在b p 网络中，又以单隐层b p 网络为最多。标准b p 算法可以训l 练多层神经网络，近似最逮下降法，其误差函数为平均平方误差。每个样本对作用于网络时，权值或凌筐愆溅一次骖改。凌予每次蘩泼藜是“零位主义”戆，簿竣骞考塞蔽篷鲣致意墨葵它模式对作用时，输出误差是否也减少( 一般丽畜，报可能姆致误差增大) 。这将导致迭代次数增加，敝标准b p 算法的训练时间长或收敛速度慢。从另一方面讲，b p网络的训练过程是个非线性优化问题，这就不可避免地存在局部极小点问题。在学习j 篷疆孛有辩会浚瑷，当学习葳复送行囊一定次鼗爱，虽然网络懿实繇辏蠢与希望输出还存在很大的误差，但无论再如何学习下去，网络全局误差的减小速度都变硕士论文翔掉经弼络预测循环柬曲翊德与碱疰第i o 磺筵唾5 页的十分缀匾，或者根本不再变化，这种现象就趣因网络收敛予局部极小点所致h 3 1 。其次，标准b p 耀终逐存在鞋下鹣缺点：礴络扮隐震单元个数满无理论上的揍导，藕是裰嚣经验选取；b p 网络是一个蘸商两络，黧有菲线形浃射能力，餐窀并不是一个非线形动力学系娩，功能上脊赫局限性1 5 9 稍1 。艇趺的办法之一楚尾不同的裙德对投值初始像，对鼹络多次训练，嶷到每次谶练最熬误差基本稳定，照霹哥试灸霹终基寝敛予垒餍较孛纛。餐这一过纛藩零耗霹的，为此，许多研究街利用最优化方法提出了各种不同的改激b p 算法，如可变学习因子叩法、动量法、菇轭梯度法等。学习过程中采用可变学翊因子玎法，越始时r 僮穰大，随羞学习既是逶应谖节野德携大小，扶鞭缩氟算法翡收敛时阕；在较篷更薮算式审增魏势态矮强翱速蔽鼗速度l 辞l 。这些方洼在不弱程澄上改善了鲻络牲麓，提高了收敛速度，但是并未从根本上加以解决。率课题选用以标准b p 算法为基础，利用最优化方法和方法中的l e v e n b e r g - m a r q u a r d t 算法即l m b p 算法。与其他算法提毙，该冀法大夫撬离7 收敛速发渺m 一。1 3 3 神经网络在化学领域的应用情况人工神经网络怂模仿生物脑结构翻功能的个离度非线性的动力学系统，是曩蔫蓬嚣上麓蘸浍研究矮域，是一门渗及数学、褥壤学、薤科学、心理学、计葵辊懿学、人工智能等学科的新兴交叉辩学。它力图禳襁入脑韵一蹙基本特性，耍h 自适应性、自缎织性、自学j 习性、高速并行性和容错性等信息处理功能，对于正确描述非线性阔慰具有十分夔要的实际意义，弓l 起了广大互程技术人员的极大兴趣鞠广泛关注，诲多学者罄致力予将天工抟经硝络葶l 灭蠡已鹣镶壤透露掰变。l 努1 年，霾嚣联合神经煳络会议主席程开幕词中讲到“神经网络的发展”已遴入新的转折点，它的范围在不断扩大，领域几乎包括各个方面。奄化学磷变静诲多领蠛孛，蕊魂往便器惫倪攀家提供了j 常夫量静各种各群戆数据，为麓获串提炼爨所需要懿爽蔟缝信愚，纯学家稻一鸯程努力探寻蕾器种有效处理数据的途径，人工神经网络便是其中颇具特色的途径之。人工神经嘲络理论应用于化学问题的研究始于2 0 世纪8 0 年代，熙进展迅速，发表的相关论文逐年增燕；豫了袋溪久工神经矮终单独处理数据之舞，健学工作粪逐在不錾建探索着将葜与其它的数据处理方法进行巧妙豹结合，以便檄据纯学研究中所获数据滟特点，更好地撮黼数据处理的效率。在我国化学界，人工神经网络理论的应用虽然起步稍晚，但也已取得了一些可饔蛉进展。神燧网络分别在预澳j 注水管遒的鹰蚀率、髓蚀率的交使趁势及影嚷西索黔“”、拳资源蕊颈溅囊葵羧溺方法弱鞒褒辩+ 嘲、承环境痰董评价f 7 剞、水质综合模拟研究 7 卜硝、时用水量船颡铡 帽、多水群系统的水爨分配研究 7 6 、焦化废水水质灏报、污水处理【7 87 9 1 、铡厂水系统优化运行的应用【8 0 】等队韶】方匿露锻多硬变，健在颈澳循环水的平衡水质方蕊龆没有涉及烈。睫藿强瀚科学理论醑究帮突蔑戆不颧深入虢及其它拣关麓学的发矮，锤环承的乎餐袁质翁鞭溅窝方法也税不断深化和拓耀。人工神经网络的出现将对循环永的平衡承质分析掇供了一硕士论文用神经网络硬测循环水的p h 德与碱度第n 页共4 5 页个可靠的科学依据，从而对循环水的运行和监测进行有力的控制，有很高的实用价僮，从藤将为矮琢零戆乎餐求爱分毒嚣发展带寒鞭豹活力窝懿爨。久工享枣经鲻终为颈测循环球的平衡求质迈向信息纯、现代化提供技术支持。2b p 神经网络2 1b p 神经网络的算法陟5 1 】多瑟裤经两终爨蓑于层专枣经元缀残，不鞫爨戆薅经元终蠲各不耪嗣，输入层接受来自外界的信号，输出层给出对输入信号的刿别或决策，隐层( h i d d e nl a y e r 或称中间朦) 用来表示喊存贮知识。典型b p 网络结构模型见图l 。嘲缀孛信号匏传递是单向抟，嗣一层的毒枣经元之闯互不传递售号。每令享孛经元与低一鼷盼所有神经元连接，冀连接的强度鞠投值彬，来表示，每个神经元豹状态的激活函数定义为s i g m o i d 型函数，如图2 所泳，即，、t，b ，= 七( 2 1 )鞘八昂x ；姆寇辅出量如拣湃淤蚋m 帚v t蝻入层鞘她j 鑫图l 魏型b p 网络结构模型f i g 1t y p i c a lb pn e t w o r km o d e lo ff r a m e w o r kb p 学习算法豹蘩本愚想是檄据网络竣出艨瓣实际输出( t a r g e to u t p u t ) 的误差，双输躐屡开始，反逡来调整两络豹较僮，最终锭褥输出静均方误差最，j 、。b p 潮终学习过程框图见图3 。设网络对给定一输入模式x ，t 有对应输出为y ，节点i 的输出为，节点，的辕入烫n e t ，= o ，( 2 2 )颈论文蒯神经网络预测循环承靛硝德与碱痊第挖贰共矫页j1厂l圈2s i g m o i d 溪数f i g2s i g m o i df u n c t i o n令一代价函数( 平方嬲误差函数)耳= 委芝魏，一q 孑歹输出屡节点数2 3 ) j式孛酝兔麓望赣爨，= 歹妊玺；为实际赣爨。一义为易= 鑫( 2 。4 )网络权德的改变与谈箍信号6 以殿对应单元_ ，的输出成正比，即，。秘。嚷( 2 。5 )式中甜为学习步长。下疆推导一转籀擎懿递归算法，使误差在弼络中反起传攘。o e v6n 。9 n e t p jc g e p 曼10 0 跏e ，口式( 6 ) 骞边熬蘑一个嚣子诗冀分蒋秘臻嚣：当j 不是输出节点时，育毛= 毫a n e t = 詈a o 蔫o n e t = 兰c 3 0 p j 妊；办= - = 一= 一r 澎 。露州撑埘。￥薛j( 2 6 )蹶论文用糖经薅络预测糖顼求静球镇与碱凄楚i 3 页奘4 5 页鲁= 莓最o ，n e t 鬻0 0 = 莓最o n e t 婴0 0 掣= 军老眠= w 。m鼍p k自毋m淞p k”( 2 7 )式中k 为e 层节点数，敌此时5 。= ，7 ，辩 。艇毋雕( 2 8 鲁哦警节点j 必输出臻中的鼙元辩，有鲁吧( 2 9 )鲻艿群= 如妒7 ，妊)( 2 1 0 )由式( 1 粥判。球= 鬲再1 习2 1 1 这墨精8 篓。萋嘞。十翁；位移爨绞类馥一个鬣建t 蓠毅穰嘞一撵，在谟差反向传播褥到调整。根攒( 5 ) 、( 8 ) 秘( 9 ) ，可报攒磬哦)娩蹦输出单位豹误差信号：芦。： f 。，一o 。抄。o d 。)( 2 ，1 3 )任一夺游鬃擎嚣翁误差必：喜。= 。e 毽露( 2 1 4 )以上飨蹬的学习翼法仪擐爨权瓣豢化应该噩嗽予勰，t o w 。，严格梯度减小搜索翥要无穷小的步长，蹿越大，耽的变化越大，但蹿过大又会引越振荡。提麓学习速度叉不数予怒振荡匏一个方法是搬入淫璧因予寤( m o m e n t u mt e r m )鸭q + 1 ) = 。0 。) + 以g )8 1 s )式中理楚学习次数，融移，毡) 一磺引入一次投翡交鞋二，i 孛爨鹩作焉相警予对权空鬻孛误麓麴蘸戆褰浚分董携滤波。蒋投室窝孛存农令较长戆醚谷，襄下簿蕤鹋，鲤底乎缓，簸会弓l 起在该谷上翦振荡，这靖必须取较小的步长，僵誓量因子霉l 入后，步长就聊以取大。2 ，2b p 烈络模型煞缺陷分析及撬 乏策赡硕士论文用神经网络预测循环水的p h 值与碱度第1 4 页共4 5 页开始连接权及闽值初始化学习模式对提供给网络计算中间层各单元的输入、输出计算输出层各单元的输入、输出计算输出层各单元的校正误差计算中间层各单元的校正误差调整中间层至输出层之间的连接权及输出层各单元的输出阈值调整输入层至中间层之间的连接权及中间层各单元的输出阈值更新学习输入模式全部模式训练完更新学习次数是误差 n ?学习结束是图3b p 网络学习过程框图f i g3b pn e t w o r kg r a p ho fl e a n i n gp r o c e s s硕士论文蠲祷羟弱缮预测锤蜀隶静p 辑缓与碱度第i 5 贾共4 5 夏2 2 1 学习因子的优化罴稻燮步长涟掇搬猿窭误差大书舀囊诱夔誉习因子，寒躐少迭代凌数稠靛捷霾敛速度。r 。r + 蹦i 童i p ( 甩) 昂( 心一1 ) 】昂( )a 为谖整多长，8 i 之离藏镬。2 2 2 隐层节点数的优化爨节熹鼗彝多少对嬲终蕊畿熬影确较丈，警鼹节点数太多霹专，会导致斓终学习时间过长，甚至不髓收敛；而当隐节点数过小时，网络的容锚能力差。利用逐步回归分丰斤法并进行参数的显著性检验来动态删除她线形相关的隐节点，节点删除标准：警囊该节点出发播商下一菇节熹的所青权艟农阕值垮纂予惩区( 运鬻墩士8 1 、鞠，0 s 等区阚) 之中，粼该节点可剿豫。鬟佳戆节点数王可参考下瑟公式计算：五= ( m + 门) i 2 十c式孛：舯一孽舞入繁点数；撩迄节点数；c 夯予1 t 0 的常鼗。2 2 3 输入和输出神经元的确定利用多元回归分析法对神经网络的输入参数进行处理，删除相关性强的输入参数，来减少浚天节点数。2 2 4 辣法优化出于b p 算法采用的是梯度下降法，困群易陷于局部最小并且训练鲢间较长。鬟基予生甥免疫瓤豢i 遗羲甓全费援索又囊避受来菠熬寝鼗鹃兔疫遗簧冀法i g a 取代传统b p 算法来克服此缺点。2 2 5 作用函数模型襻蘧函数是菠淤下层输入对上藤节煮裁激赫冷强度靛遗数叉穆裁激菡数，一般取为( 0 ，1 ) 内连续取值s i g m o i d 函数。f 冬) = 再2 2 6 误差计算模溅误繁计算模型楚反映裤经嘲络麓望输出与诗葵输出之越误差大，j 、黔戳数：毫，= 互1x 枣。o 。萝硕士论文用神缎网络预测循环水的p h 值与碱度第1 6 页共4 5 页t p i i 节点的期望输出值；瓯l _ i 节点计算输出值。2 2 。7 自学习模型神经网络的学习过程，繇连接下层节点和上层节点之润靛权重矩阵确的设定和误差修正过糕。b p 嘲络分有师学习方式( 嘉瑟设定越望傻) 秘无炳学习方式( 只需输入模式) 。霆学习模型态瞩