基于BP神经网络的水力旋流器选型及优化
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 上篇 文献综述 | 第11-32页 |
| 1 选题研究背景 | 第11-15页 |
| ·选题背景 | 第11页 |
| ·水力旋流器的研究现状 | 第11-12页 |
| ·水力旋流器的发展过程 | 第11-12页 |
| ·水力旋流器理论研究进展 | 第12页 |
| ·水力旋流器的试验研究进展 | 第12页 |
| ·水力旋流器选型方法 | 第12页 |
| ·研究目的与意义 | 第12-13页 |
| ·研究目的 | 第12-13页 |
| ·研究的意义 | 第13页 |
| ·研究内容和技术路线 | 第13-15页 |
| ·研究内容 | 第13页 |
| ·技术路线 | 第13-15页 |
| 2 人工神经网络建立与应用理论基础 | 第15-24页 |
| ·人工智能的发展过程 | 第15页 |
| ·人工神经网络的发展过程 | 第15-17页 |
| ·人工神经网络的应用 | 第17-18页 |
| ·生物神经元 | 第18-19页 |
| ·神经元的结构 | 第18-19页 |
| ·神经元的功能 | 第19页 |
| ·人工神经网络模型特性 | 第19-20页 |
| ·人工神经网络模型算法 | 第20-22页 |
| ·BP神经网络模型的激活函数 | 第20-21页 |
| ·BP神经网络模型的工作过程 | 第21页 |
| ·BP神经网络模型的权值调整 | 第21-22页 |
| ·BP神经网络模型的选型原理 | 第22-24页 |
| 3 水力旋流器选型与优化理论基础 | 第24-32页 |
| ·水力旋流器基本理论 | 第24-25页 |
| ·水力旋流器内流体分布 | 第25-26页 |
| ·水力旋流器的粒度分布 | 第25-26页 |
| ·水力旋流器的密度分布 | 第26页 |
| ·水力旋流器对选煤工程的意义 | 第26-27页 |
| ·水力旋流器研究进展 | 第27-30页 |
| ·水力旋流器理论研究 | 第27-28页 |
| ·水力旋流器试验研究 | 第28页 |
| ·水力旋流器的计算机模拟研究进展 | 第28-29页 |
| ·水力旋流器结构研究 | 第29-30页 |
| ·水力旋流器的选型方法 | 第30页 |
| ·神经网络在旋流器领域的应用 | 第30-32页 |
| 下篇 研究内容 | 第32-62页 |
| 1 水力旋流器选型与优化研究 | 第32-59页 |
| ·试验材料与方法 | 第32-36页 |
| ·试验设备 | 第32-34页 |
| ·水力旋流器 | 第32页 |
| ·激光粒度分析仪 | 第32-33页 |
| ·离心泵 | 第33页 |
| ·桶内搅拌器 | 第33页 |
| ·恒温干燥箱 | 第33-34页 |
| ·试验方案 | 第34页 |
| ·试验步骤 | 第34-35页 |
| ·BP神经网络模型的建立 | 第35-36页 |
| ·基于BP神经网络的水里旋流器模型建立 | 第35页 |
| ·编程 | 第35-36页 |
| ·结果与分析 | 第36-52页 |
| ·模型选型可靠性分析 | 第36-38页 |
| ·试验系统本身误差分析 | 第38-39页 |
| ·样本组数对模型选型精确度影响分析 | 第39-52页 |
| ·选取11组数据为训练样本 | 第39-41页 |
| ·选取21组数据为训练样本 | 第41-42页 |
| ·选取31组数据为训练样本 | 第42-44页 |
| ·选取41组数据为训练样本 | 第44-46页 |
| ·选取51组数据为训练样本 | 第46-48页 |
| ·选取61组数据为训练样本 | 第48-50页 |
| ·不同组数学习样本影响规律 | 第50-52页 |
| ·干法加重质的制备与效果 | 第52页 |
| ·讨论 | 第52-57页 |
| ·基于BP神经网络的旋流器选型模型优势 | 第52-54页 |
| ·BP神经网络选型精度与样本组数关系 | 第54-55页 |
| ·入料浓度对水力旋流器分离粒度影响 | 第55-56页 |
| ·干法、湿法选煤技术的加重质制备 | 第56页 |
| ·BP神经网络模型的仿生试验研究 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 2 结论与展望 | 第59-62页 |
| ·结论 | 第59-60页 |
| ·本文创新点 | 第60页 |
| ·不足与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间的研究成果 | 第66页 |
| 项目资助 | 第66-67页 |
| 致谢 | 第67页 |
