BP网络用于催化剂配方建模--MATLAB实例

BP 网络用于催化剂配方建模--MATLAB 实例
本例是《人工神经网络理论、设计及应用》（第二版）中BP 网络应用与设计的例子，现用MATLABF 仿真。

介绍：理论上已经证明，三层前馈神经网络可以任意精度逼近任意连续函数。

本例采用BP 神经网络对脂肪醇催化剂配方的实验数据进行学习，以训练后的网络作为数学模型映射配方与优化指标之间的复杂非线形关系，获得了较高的精度。

网络设计方法与建模效果如下：
（1）网络结构设计与训练首先利用正交表安排实验，得到一批准确的实验数据作为神经网络的学习样本。

根据配方的因素个数和优化指标的个数设计神经网络的结构，然后用实验数据对神经网络进行训练。

完成训练之后的多层前馈神经网络，其输入与输出之间形成了一种能够映射配方与优化指标内在联系的连接关系，可作为仿真实验的数学模型。

图3.28给出针对五因素、三指标配方的实验数据建立的三层前馈神经网络。

五维输入向量与配方组成因素相对应，三维输出向量与三个待优化指标[脂肪酸甲脂转化率TR（%）、脂肪醇产率Y （%）和脂肪醇选择性S (%)]相对应。

通过试验确定隐层结点数为4。

正交表安排了18OH OH 组实验，从而得到18对训练样本。

训练时采用了改进BP 算法：
)
1()(−∆+=∆t W X t W αηδ（2）BP 网络模型与回归方程仿真结果的对比表3.3给出BP 网络配方模型与回归方程建立的配方模型的仿真结果对比。

其中回归方程为经二次多元逐步回归分析，在一定置信水平下经过F 检验而确定的最优回归方程。

从表中可以看出，采用BP 算法训练的多层前馈神经网络具有较高的仿真精度。

表3.3注：下标1表示实测结果，下标2表示神经网络输出结果，下标3表示回归方程
以下是具体操作：
编号A/Cu
Z n/C u
B/Cu
C/Cu
Mn/Cu
T R1/%
T R2/%
T R3/%
Y
OH
1/%Y
OH
2/%
Y
OH
3/%
S
OH
1/%
S
OH
2/%
S
OH
3/%
10.050.130.080.140.0494.594.62
83.8396.3
96.56
95.9897.8
97.24
102.8320.0650.070.120.160.0288.05
88.0592.4375.575.97
76.5
86.586.68
79.6530.08
0.190.080.060.060.25
60.4382.0340.2141.4344.8796.2595.3681.9240.0950.110.060.160.0493.05
93.1194.3197.3196.29105.4399.3
99.39
103.0850.11
0.050.020.060.0294.65
94.7285.7988.5588.0677.8995.297.49
87.1260.1250.170.00.140.096.05
95.9697.0895.5
96.69
105.4399.599.52
104.7170.14
0.090.160.040.0461.00
61.1365.3959.7258.954.76
67.3569.1
73.52
80.1550.030.120.140.0270.40
70.3980.4437.5
41.83
46.3652.2551.3871.4590.17
0.150.10.040.083.383.32
70.2282.8580.4659.5
99.2
96.53
74.3
100.050.070.060.120.0584.585.27
70.2290.9
90.46
91.5195.997.87
92.75110.0650.190.040.020.0369.569.45
80.7761.865.03
55.2288.292.41
98.44120.08
0.130.00.120.0194.55
95.694.75
97.695.74
92.4499.697.93
101.65130.0950.050.160.020.0570.95
69.5192.8862.5460.452.5
60.162.63
68.12140.11
0.170.140.10.0387.287.16
78.6491.0
89.19
76.9299.899.36
92.22150.1250.110.10.00.0164.264.08
69.5958.359.12
54.0258.960.22
72.5
160.14
0.030.080.10.0586.15
86.1582.4
75.65
61.4329.9386.578.07
79.28170.1550.150.040.00.0377.15
77.1775.2371.971.72
83.9491.891.74
94.2318
0.17
0.090.020.080.0196.05
96
87.05
94.60
94.62
94.61
98.00
99.12
90.35
Manager r 1）运行MATLAB，在COMMENT WINDOW中输入nntool,弹出Network/Data Manage 窗口；
2)单击New Network...按钮，弹出Create New Network窗口，如图输入各项信息
Input ranges栏输入为：[00.2；00.2；00.2；00.2；00.1]
er2,
Layer2,填完Properties for：Layer1各项信息，然后在Properties for中点击下拉按钮，选择Lay
在Number of neurons:3;Transfer Function:LOGSIG。

点击Create完成。

你将在Network/Data Manager窗口中看到显示了Demonet网络名；
图1.1
3)在Network/Data Manager窗口中点击New Data按钮,弹出Create New Data对话框，如
0.111图输入信息，Value:[0.050.0650.080.0950.110.1250.140.1550.170.050.0650.080.0950.1 0.1250.140.1550.17;0.130.070.190.110.050.170.090.030.150.070.190.130.050.170.11 0.030.150.09;0.080.120.080.060.020.00.160.120.10.060.040.00.160.140.10.080.04 0.02;0.140.160.060.160.060.140.040.140.040.120.020.120.020.10.00.10.00.08;0.04 0.020.00.040.020.00.040.020.00.050.030.010.050.030.010.050.030.01],点Create,在Network/Data Manager窗口中显示了输入变量p；
4)再Network/Data Manager窗口中点New Data按钮，弹出如图1.4，填入各项信息，注：Value:[0.9450.88050.60250.93050.94650.96050.610.70400.8330.8450.6950.94550.7095 0.8720.6420.86150.77150.9605;0.9630.7550.40210.97310.88550.9550.59720.3750.8285 0.9090.6180.9760.62540.910.5830.75650.7190.9460;0.9780.8650.96250.9930.9520.995 0.67350.52250.9920.9590.8820.10340.6010.10360.5890.8650.9180.98],点Create,在Network/Data Manager窗口中显示了输入变量t；
5)在Network/Data Manager窗口中选中Demonet神经网络名，点击Train,弹出如图1.6，如图填入各项信息，点Train Network,网络开始训练，弹出误差曲线图1.7
在Network/Data Manager窗口中选中Demonet神经网络名，点击Train，弹出如图1.8，
填入各项信息，点Simulate Network,进行仿真，在Network/Data Manager窗口中选中aa 变量名，点击View,查看仿真结果；
6)存盘在Network/Data Manager窗口中选中Demonet神经网络名，点Export,弹出如图2.0对话框，点Select All,点Save,弹出如图2.1，输入文件名“催化剂”，点保存；
7)导入在Network/Data Manager窗口中点Import,弹出Import or load to Network/Dat
Network/Data a
Name e Manager窗口，在Source区域选择load from disk file项，此时可以直接在MAT-file Nam 编辑框输入源文件名，即可导入文件。

8)在Network/Data Manager窗口中，点击个变量名，然后点View,查看个变量信息。

图1.2
图1.3
图1.4
图1.5
图1.6
图1.7
图1.8图1.9
图2.0
图2.1
整个实例到此为止，谢谢
个人邮箱：jinyi8475@。