基于神经网络的氟石粉液化模型分析

doi:10.3778/j.issn.1002-8331.2010.26.074

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (26): 245-248.DOI: 10.3778/j.issn.1002-8331.2010.26.074

• 工程与应用 • 上一篇

基于神经网络的氟石粉液化模型分析

陈刚¹，杜树新¹，江丽²，李晨²，蔡婧²

1.浙江大学工业控制技术国家重点实验室，杭州 310027
2.上海出入境检验检疫局原材料与工业品检测中心，上海 200135

收稿日期:2009-02-19 修回日期:2009-04-07 出版日期:2010-09-11 发布日期:2010-09-11
通讯作者: 陈刚

Liquefied model analysis of fluorspar powder based on neural network

CHEN Gang¹，DU Shu-xin¹，JIANG Lⁱ²，LI Chen²，CAI Jing²

1.State Key Lab of Industrial Control Technology，Zhejiang University，Hangzhou 310027，China
2.Technical Center of Raw Material Inspection of Shanghai Entry-Exit Inspection and Quarantine Bureau，Shanghai 200135，China

Received:2009-02-19 Revised:2009-04-07 Online:2010-09-11 Published:2010-09-11
Contact: CHEN Gang

摘要/Abstract

摘要： 在对氟石粉进行实验研究的基础上，应用RBF神经网络，建立了预测氟石粉液化FMP的模型。在该模型中，输入为影响氟石粉液化FMP的各种因素，包括粒径、均匀度、化学性质、真密度及堆积密度等，输出为FMP，预测结果表明，所建RBF神经网络模型预测精度较高，可应用于对氟石粉液化FMP的预测。同时采用逐步反向删除的方法分析输入属性对输出结果的影响，找出了影响氟石粉液化FMP的主要影响因素。最后对每个主要属性进行了灵敏度分析。

关键词: 氟石粉, 液化, 径向基神经网络, 属性分析, 灵敏度

Abstract: A modeling method based on RBF neural network is presented for liquefied FMP of fluorspar powder，where the model input includes the particle size，uniformity of particle，chemical properties，density and deposited density，and the model output is Flow Moisture Point（FMP）.The simulation shows that the model has a high prediction accuracy.Finally，the backward stepwise elimination method is used to delete the redundant factors，and the sensitivity of every factor is analyzed.

Key words: fluorspar powder, liquefy, Radial Basis Function（RBF） neural network, analysis of attributes, sensitivity of factors

中图分类号:

陈刚¹，杜树新¹，江丽²，李晨²，蔡婧². 基于神经网络的氟石粉液化模型分析[J]. 计算机工程与应用, 2010, 46(26): 245-248.

CHEN Gang¹，DU Shu-xin¹，JIANG Lⁱ²，LI Chen²，CAI Jing². Liquefied model analysis of fluorspar powder based on neural network[J]. Computer Engineering and Applications, 2010, 46(26): 245-248.

[1]	冯晓东，黄世荣，戴冠鸥，杨伟家，罗尧治. 天牛须遗传杂交算法的研究与应用[J]. 计算机工程与应用, 2021, 57(15): 90-100.
[2]	朱占龙1，2，李晶3. WPM方法分析地磁图指标权重灵敏度[J]. 计算机工程与应用, 2017, 53(13): 60-65.
[3]	朱占龙，董建彬，李亚梅. 地磁图适配性评价的多属性权重灵敏度分析[J]. 计算机工程与应用, 2017, 53(12): 45-49.
[4]	苏宏升，殷凯乐. 基于Nelder-mead单纯形法的改进人工蜂群算法研究[J]. 计算机工程与应用, 2016, 52(24): 50-56.
[5]	李娥，王波. HS算法在生物生态组合污水处理中的应用[J]. 计算机工程与应用, 2015, 51(1): 238-242.
[6]	彭丽蓉1，周磊2. 认知行为计算模型结合DM的教学质量提升[J]. 计算机工程与应用, 2014, 50(9): 237-241.
[7]	于春海，潘丰. 基于逆系统的三自由度直升机内模控制设计[J]. 计算机工程与应用, 2014, 50(18): 236-239.
[8]	贾锋，杨瑞民. 射频接收前端的ADS设计与仿真[J]. 计算机工程与应用, 2014, 50(13): 219-223.
[9]	闵涛，成瑶，谷明礼，尤慧慧. 非线性动力系统的参数反演及灵敏度分析[J]. 计算机工程与应用, 2013, 49(4): 47-49.
[10]	宋海声，赵学深，刘平和. 农业温室温度的智能辨识控制[J]. 计算机工程与应用, 2013, 49(21): 240-244.
[11]	黄建招，谢建，高钦和，李良. SA-HHGA优化RBF神经网络的方法及应用[J]. 计算机工程与应用, 2013, 49(17): 209-212.
[12]	夏轩，许伟明. 改进的粒子群算法对RBF神经网络的优化[J]. 计算机工程与应用, 2012, 48(5): 37-40.
[13]	赵进创，刘金花，黎志刚，傅文利，李贤宇. 改进敏感场的电容层析成像图像重建算法[J]. 计算机工程与应用, 2012, 48(4): 167-169.
[14]	张辉，柴毅. 一种改进的RBF神经网络参数优化方法[J]. 计算机工程与应用, 2012, 48(20): 146-149.
[15]	周勇1，李念水1，程春田2. 时间序列数据流预测模型应用研究[J]. 计算机工程与应用, 2011, 47(26): 135-139.

基于神经网络的氟石粉液化模型分析

Liquefied model analysis of fluorspar powder based on neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics