导读:本文包含了氧乐果合成论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:乐果,神经网络,算法,粒子,模糊,向量,温度控制。
氧乐果合成论文文献综述
杨伟[1]（2015）在《基于粒子群算法的氧乐果合成过程建模研究》一文中研究指出我国作为一个农业大国,农业是国家经济的命脉,关系着国家的安定与社会的发展。农药是确保农业产量的重要因素,农药的产量以及质量对我国农业甚至国家的经济发展都有重大的影响。为了提高氧乐果等农药产品的质量,对传统的农药生产过程进行改善是很有必要的。本文以氧乐果合成过程的温度为研究对象,为其建立合成过程的较好模型,有利于提高产品质量与生产水平,进而创造明显的经济效益。本文分析了氧乐果合成的工艺流程,并对氧乐果合成过程的特性与对象模型进行了分析,阐明了氧乐果合成过程具有非线性、大滞后、时变和扰动复杂的特点,并分析了氧乐果合成过程中的影响因素。它是典型的间歇过程,常规的建模方法很难满足其建模需要。然而,神经网络、模糊逻辑和进化算法的应用发展,为这样复杂对象的建模提供了新的途径。本文的氧乐果合成过程建模方法是把粒子群算法和支持向量回归机相结合的。标准粒子群算法存在着一些缺陷,在这把整个种群分成两部分,两部分按照叁角函数的惯性策略分别进行进化,并利用测试函数仿真,结果表明该算法收敛速度快,搜索精度高。然后通过对机器学习与统计学习理论的介绍,进而引出支持向量机的原理和方法,介绍了最优超平面与核函数,并且着重介绍了支持向量回归机的数学模型。对氧乐果合成过程反应特点进行分析,把改进后的粒子群算法和支持向量回归机集合起来,对温度对象进行辨识,建立了氧乐果合成过程PSO-SVR模型,并将它和静态BP模型对比,仿真结果表明该模型结合了PSO与SVR的优点,更好地反应了系统的动态特性,模型精度高,推广能力较强。(本文来源于《郑州大学》期刊2015-05-01）
冯冬青,杨伟[2]（2015）在《基于PSO-SVR算法的氧乐果合成过程建模研究》一文中研究指出针对氧乐果合成过程中温度控制具有参数时变、时滞后、非线性的特点,提出了一种基于改进粒子群算法的支持向量回归的建模方法;对于支持向量回归模型,3个参数(ε,C,γ)的选取很大程度上决定了其拟合的精度和泛化能力的好坏,采用改进的粒子群算法对参数(ε,C,γ)进行同时寻优,建立了改进的氧乐果合成过程PSO-SVR回归模型,该模型具有很好的学习能力和推广能力;实验结果表明,模型较好地体现了系统的动态特性,可用于氧乐果合成过程的模型预估控制,提高系统的控制品质。(本文来源于《计算机测量与控制》期刊2015年04期）
郑晓茜,李连荣,邵帅飞[3]（2012）在《基于补偿模糊神经网络的氧乐果合成控制研究》一文中研究指出针对氧乐果合成反应过程温度具有时变、延时等非线性特性,研究了补偿模糊神经网络控制系统。首先确定了补偿模糊神经网络的初始结构和初始参数,再通过动态调整补偿的改进BP算法来调整参数,实现温度的实时控制。仿真结果表明:补偿模糊神经网络控制系统收敛速度快、适应性强,在温度控制方面取得了比较满意的控制效果。(本文来源于《农机化研究》期刊2012年05期）
冯冬青,杨书显[4]（2011）在《氧乐果合成过程的PSO-回归BP网络建模方法》一文中研究指出为了提高模型效率,更好地反映实际系统的动态特性,根据氧乐果合成过程特点确定了PSO-回归BP网络结构.采用惯性权重动态调整的粒子群算法进行初始寻优,并基于改进的BP算法对优化的网络权阈值进一步精确优化,建立了氧乐果合成过程的PSO-回归BP网络模型.仿真结果表明,所建模型误差小、收敛速度快、网络泛化能力强,能更好地反映实际对象特点.(本文来源于《郑州大学学报(理学版)》期刊2011年03期）
李书安[5]（2011）在《催化剂在氧乐果全合成中应用的研究》一文中研究指出在实验室对氧乐果进行了全合成,在关键步骤中加入催化剂,从而提高了反应速率,优化了工艺条件,使氧乐果的总收率提高了7%。(本文来源于《河南化工》期刊2011年02期）
杨书显[6]（2010）在《基于PSO算法的氧乐果合成过程建模与控制研究》一文中研究指出农业是国民经济的基础,关系国家的发展和社会的安定。农药是保证提高农业单产的重要物资,而氧乐果是农业生产中使用较为广泛的一种农药,其质量的优劣对农业生产有着较大的影响。氧乐果合成反应釜温度控制的好坏将直接影响产品的质量,那么为其合成过程建立较好的模型,实施精确地控制将有利于提高生产效率和产品质量,节约生产成本,产生显着的经济效益。氧乐果合成过程属于典型的间歇生产过程,反应釜温度对象具有多变量、非线性、时变、大滞后等特点。用常规的方法建立其模型比较困难,采用传统的控制方法也达不到满意的控制效果。近年来,模糊逻辑、神经网络、智能进化算法等理论方法及其综合集成,为此类复杂对象的建模和控制提供了有效的途径。本文将神经网络、粒子群算法、模糊逻辑相结合对氧乐果合成反应温度对象进行建模和控制。首先针对标准PSO算法的缺陷,在文献舍弃了速度项改进算法的基础上对惯性权重采取动态调整策略,并用基准函数进行测试,结果表明改进后的PSO算法收敛速度更快,搜索精度更高。其次对氧乐果合成反应特性进行分析,鉴于改进后PSO算法的优越性能,将其与回归BP网络结合,对合成反应的温度对象进行辨识,建立了氧乐果合成过程的PSO—回归BP网络模型,并与静态BP模型进行对比,实验结果表明该模型结合了粒子群算法的全局寻优能力和BP算法的局部搜索优势,同时体现了系统的动态性能,模型误差小,网络泛化能力较强。然后根据模糊神经网络(FNN)原理，对氧乐果合成过程设计了FNN控制器。FNN将模糊控制规则和隶属函数的参数搜索优化问题转化成神经网络参数优化问题,依据PSO训练神经网络参数的方法,利用从实际生产过程中采集的数据,采用本文改进的PSO算法优化训练FNN控制器参数。最后将该控制器与温度对象的辨识模型组合起来构成氧乐果合成反应温度控制系统,并在MATLAB环境下进行仿真研究,结果表明此控制方案可以达到较满意的控制效果。(本文来源于《郑州大学》期刊2010-05-01）
郭艳[7]（2009）在《氧乐果合成过程智能建模方法研究》一文中研究指出氧乐果合成过程是典型的间歇生产过程,其反应釜温度对象具有非线性、时滞性、和不确定性等特点,用常规的方法对其进行建模比较困难。近年来,以神经网络、模糊逻辑和遗传算法等为代表的智能理论方法及其综合集成,为解决具有上述特性的复杂对象建模提供了有效的途径。本文借鉴神经网络的自学习和适应能力、模糊逻辑集成专家知识的能力,遗传算法的优化特性,对复杂非线性系统的建模,作了如下几方面的工作:综述了系统辨识的研究现状,分析了各种辨识方法的特点及应用范围。论述了智能辨识方法在复杂非线性对象建模中的作用及应用前景。本文首先利用基本BP网络对氧乐果合成过程的反应釜温度对象进行辨识,仿真结果表明反应初始阶段的误差比较大,分析原因可能是因为神经网络易陷入局部极小点,所以结合遗传算法具有全局搜索性的特点,应用遗传算法对网络权值进行了优化,并与基本BP网络的辨识结果进行了对比,发现虽然在温度稳定阶段的拟合度更好,但是对于反应初始阶段的大误差并没有取得较好的效果;而在其他文献的研究中,证明在训练采用的样本结构及容量相同的情况下,模糊神经网络的性能较传统的BP网络有明显的提高,主要表现在平均误差下降,最大误差减小,训练时间缩短。因此,接下来利用传统的模糊神经网络对系统进行了辨识,取得了不错的效果。但是初始阶段的大误差仍然没有较大的改善。之所以会出现上述情况,是因为氧乐果间歇生产过程的反应釜温度对象,反映的是系统的动态行为,而传统的神经网络和模糊神经网络是一种静态神经网络,仅仅利用静态网络辨识,并不能够完全反应系统的特性。所以,本文在基本BP网络和传统模糊神经网络的基础上,加入一阶延时环节,构成了带偏差单元的动态递归BP神经网络,和动态递归模糊神经网络。并利用这两种动态网络对反应釜温度对象进行辨识。仿真结果表明,动态递归神经网络由于充分利用动态系统的当前数据和历史数据,从而获得了比静态神经网络更高的辨识精度,泛化能力较好。(本文来源于《郑州大学》期刊2009-05-25）
李华光[8]（2009）在《氧乐果合成废水回收新工艺》一文中研究指出采用静态沉降萃取和静态混合萃取的工艺技术方法,萃取氧乐果合成废水中的有效成分氧乐果,提高了氧乐果总收率,排放废水的COD平均含量较回收处理前大为降低,社会经济效益明显。(本文来源于《河南化工》期刊2009年05期）
冯冬青[9]（2008）在《氧乐果合成过程集成智能控制方法与应用》一文中研究指出我国作为一个人口大国,农业始终是国民经济的基础,关系国家的稳定和发展。农药是保证农作物稳定高产的重要因素之一,农药的生产水平和质量对我国农业乃至整个国民经济的发展有很大的影响。为了提高农药生产的技术水平和产品质量,对传统的农药生产过程进行自动化改造,是非常必要的。本文以氧乐果合成过程为研究对象,研究了氧乐果合成过程的智能控制方法,并开发了已获得实际应用的氧乐果合成过程集成智能控制系统。本文阐述了氧乐果合成的工艺流程,对氧乐果合成的特性和对象模型进行了详细分析,说明氧乐果合成具有非线性、时变、大滞后、扰动复杂的特点,并从系统可测参数和不可测参数两个方面分析了氧乐果合成中的影响因素。研究了基于神经网络的氧乐果合成过程的系统辨识,并针对氧乐果合成过程中影响最大的温度因素利用BP网络进行辨识。针对静态BP网络对系统动态模型辨识效果不佳的缺陷,采用分阶段BP网络和由静态BP网络加TDL环节所构成的回归网络对氧乐果合成中的温度对象进行了动态辨识,并对叁种方法的辨识性能进行了比较分析。根据氧乐果合成过程不同阶段的复杂特性,分别研究了相应的智能控制方法,作为整体设计氧乐果集成智能控制方案的基础。第一,针对氧乐果合成具有非线性、大滞后的特点,设计了一种参数反馈模糊控制器,并对其性能进行了仿真验证。第二,针对氧乐果合成具有非线性、时变的特点,提出了基于递归遗传算法的混合学习算法,来对用于辨识的神经网络的结构和连接权值进行自动优化设计。针对模糊神经网络应用中存在的问题,提出了基于模糊补偿算子的神经网络控制器结构和算法。通过采用基于递归遗传算法的神经网络辨识器对氧乐果合成的温度对象进行辨识,与递归补偿模糊神经网络控制器组成温度智能控制系统,并对该控制系统的性能进行了仿真研究。第叁,针对氧乐果合成具有典型间歇过程的特点,在分析了迭代学习控制基本原理的基础上,通过在迭代学习控制中引入预测的思想,提出了一种改进的迭代学习算法。并将模糊模型辨识技术、预测控制和迭代学习控制叁者相结合,设计了基于模糊预测的迭代学习控制器。以氧乐果合成过程中的温度为被控对象,仿真研究了所设计的控制器的性能。根据一甲胺累积投料量,将氧乐果合成过程划分为四个阶段:反应初始阶段,温度上升阶段,稳定反应阶段和反应结束阶段,并根据不同阶段的反应特点,分别采用上述所研究的多种智能控制算法,组成氧乐果合成过程的集成智能控制方案,并开发了成套的氧乐果合成过程集成智能控制系统,包括控制系统信号处理、控制系统故障诊断、系统软件设计等。研制的两套系统分别在沙隆达郑州农药有限公司的两个农药分厂投入使用,2003年投入使用以来的运行效果表明:该系统技术先进、性能优良、工作可靠,取得了显着的社会经济效益。(本文来源于《上海大学》期刊2008-06-01）
李玮,冯冬青,费敏锐[10]（2007）在《氧乐果合成过程温度模糊预测学习控制研究》一文中研究指出根据氧乐果合成反应过程分批重复进行且温度控制对象参数时变、时滞后的特点,将迭代学习控制方法应用于氧乐果合成反应过程温度控制。为了消除滞后产生的影响,采用T-S模糊预测模型,在原有反馈-前馈迭代学习算法基础上引入预测思想,研究了基于模糊预测的迭代学习算法,并设计了氧乐果合成过程温度模糊预测学习控制器。实验和仿真结果表明,该控制器能取得比较满意的控制效果。(本文来源于《自动化仪表》期刊2007年11期）
氧乐果合成论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对氧乐果合成过程中温度控制具有参数时变、时滞后、非线性的特点,提出了一种基于改进粒子群算法的支持向量回归的建模方法;对于支持向量回归模型,3个参数(ε,C,γ)的选取很大程度上决定了其拟合的精度和泛化能力的好坏,采用改进的粒子群算法对参数(ε,C,γ)进行同时寻优,建立了改进的氧乐果合成过程PSO-SVR回归模型,该模型具有很好的学习能力和推广能力;实验结果表明,模型较好地体现了系统的动态特性,可用于氧乐果合成过程的模型预估控制,提高系统的控制品质。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
氧乐果合成论文参考文献
[1].杨伟.基于粒子群算法的氧乐果合成过程建模研究[D].郑州大学.2015
[2].冯冬青,杨伟.基于PSO-SVR算法的氧乐果合成过程建模研究[J].计算机测量与控制.2015
[3].郑晓茜,李连荣,邵帅飞.基于补偿模糊神经网络的氧乐果合成控制研究[J].农机化研究.2012
[4].冯冬青,杨书显.氧乐果合成过程的PSO-回归BP网络建模方法[J].郑州大学学报(理学版).2011
[5].李书安.催化剂在氧乐果全合成中应用的研究[J].河南化工.2011
[6].杨书显.基于PSO算法的氧乐果合成过程建模与控制研究[D].郑州大学.2010
[7].郭艳.氧乐果合成过程智能建模方法研究[D].郑州大学.2009
[8].李华光.氧乐果合成废水回收新工艺[J].河南化工.2009
[9].冯冬青.氧乐果合成过程集成智能控制方法与应用[D].上海大学.2008
[10].李玮,冯冬青,费敏锐.氧乐果合成过程温度模糊预测学习控制研究[J].自动化仪表.2007