基于GRNN神经网络的船舶柴油机排放预测的研究

发布时间：2017-09-28 09:27

  本文关键词：基于GRNN神经网络的船舶柴油机排放预测的研究

  更多相关文章： 船舶柴油机 有害排放 GRNN神经网络 预测界面

【摘要】：随着全球水路运输行业的不断发展,大量的船舶被投入到运营当中,与此同时,大量船舶的使用也带来了一定的环境污染。为了有效地控制船舶有害排放对环境的污染,国际海事组织制定了相关的法律法规。因此,本研究旨在通过对船舶有害物质排放量的准确预测来为减少环境污染提供重要依据。本文打破了传统的方法,将GRNN神经网络的思想引入到对船舶柴油机排放的预测的研究中,利用MATLAB软件建立船舶柴油机排放广义回归神经网络的预测模型。GRNN神经网络预测的实现无须复杂的试验设备及条件并且与船舶柴油机的数学模型无关,只需要少量的试验数据。这种方法可以降低试验费用,是一种比较精确有效的方法。本文正是基于此优点选择了GRNN神经网络对船舶柴油机排放进行预测。(1)本文阐述了有关限制船舶排放的法律法规、船舶柴油机排气的组成、危害和生成机理以及有关神经网络的一些基础知识,并着重介绍了GRNN神经网络的模型结构与理论知识。(2)介绍了有关排放测试试验的试验台以及重要的测试仪器,并通过分析选择出了经济性最好时的凸轮作用段,并在此作用段下进行试验数据的测量。接着在MATLAB环境中利用试验所得的数据建立船舶柴油机GRNN神经网络排放预测模型,并且通过对预测仿真结果以及对网络泛化能力的分析验证了预测模型的准确性。(3)通过利用Java调用所建立的船舶柴油机GRNN神经网络排放预测模型,使之能够在Java所建立船舶柴油机排放预测界面后台运行,使船舶柴油机排放预测界面能够输出并显示正确的排放结果。
【关键词】：船舶柴油机 有害排放 GRNN神经网络 预测界面
【学位授予单位】：集美大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U664.121;X736.3
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-16
• 1.1 选题背景8-11
• 1.1.1 船舶柴油机排气成分9
• 1.1.2 船舶柴油机排气污染物生成机理9-10
• 1.1.3 船舶柴油机排气的危害10-11
• 1.2 排放法律法规的介绍11-13
• 1.2.1 《MARPOL73/78 公约》附则Ⅵ11-12
• 1.2.2 控制排放的地方性法规12-13
• 1.3 国内外研究现状13-14
• 1.4 本文研究的主要内容与目的14-16
• 1.4.1 本文研究的目的14
• 1.4.2 本文研究的主要内容14-16
• 第2章 理论基础16-25
• 2.1 人工神经网络（ANN）的介绍16-19
• 2.1.1 人工神经网络的发展历史16-17
• 2.1.2 人类神经元模型17-18
• 2.1.3 人工神经网络模型18-19
• 2.2 广义回归神经网络（GRNN）19-22
• 2.2.1 广义回归神经网络概述19
• 2.2.2 广义回归神经网络（GRNN）的理论基础19-20
• 2.2.3 广义回归神经网络（GRNN）的结构20-22
• 2.3 MATLAB神经网络工具箱22-24
• 2.3.1 MATLAB语言的简介22-23
• 2.3.2 神经网络工具箱23-24
• 2.4 本章小结24-25
• 第3章 柴油机试验平台介绍及排放预测模型的建立25-35
• 3.1 试验平台介绍25-29
• 3.1.1 试验柴油机25
• 3.1.2 性能测试平台的试验设备25-26
• 3.1.3 试验台架整体布置图26-27
• 3.1.4 排气分析仪27-29
• 3.2 试验中凸轮作用段的选择29-31
• 3.3 广义回归神经网络（GRNN）建模31-33
• 3.3.1 输入、输出层神经元数的选择31
• 3.3.2 数据的处理31-32
• 3.3.3 平滑参数的确定32-33
• 3.3.4 交叉验证33
• 3.4 本章小结33-35
• 第4章 预测仿真结果及分析35-52
• 4.1 仿真结果对比分析35-43
• 4.1.1 氮氧化物（NOx）对比分析35-37
• 4.1.2 一氧化碳（CO）对比分析37-39
• 4.1.3 碳氢化合物(HC)对比分析39-41
• 4.1.4 二氧化碳（CO2）对比分析41-43
• 4.2 泛化能力分析43-44
• 4.3 排气预测界面的开发实现44-51
• 4.3.1 Java的简介44-45
• 4.3.2 HTML的简介45-46
• 4.3.3 CSS的简介46
• 4.3.4 JS的简介46
• 4.3.5 Java程序调用MATLAB46-49
• 4.3.6 排放预测界面49-51
• 4.4 本章小结51-52
• 第5章 结论与展望52-54
• 5.1 结论52
• 5.2 展望52-54
• 致谢54-55
• 参考文献55-57
• 附录57-64
• 在学期间科研成果情况64

【相似文献】

中国期刊全文数据库 前10条

1 吴大中;吴丽华;;基于改进的GRNN的固体氧化物燃料电池辨识模型研究[J];能源研究与信息;2013年04期

2 胡大伟;卞新民;李思米;许泉;;基于GRNN网络模型的土壤重金属空间分布的研究[J];土壤通报;2007年02期

3 蒋必辞;潘保芝;庄华;张海涛;杨小明;陈刚;;改进GRNN网络预测致密砂岩气层压裂产能[J];世界地质;2014年02期

4 李朝将;凡银生;李强;;基于GRNN的电火花线切割加工工艺预测[J];华中科技大学学报(自然科学版);2012年S2期

5 丁磊;;油田测试工作中GRNN类神经网络应用探讨[J];中国石油和化工标准与质量;2013年07期

6 张永勇;许国根;;基于GRNN模型的肼类化合物毒性参数构效分析[J];化学推进剂与高分子材料;2014年03期

7 张如意;王学雷;;基于GRNN的酱油种曲孢子数预测模型[J];中国调味品;2012年10期

8 ;ARTIFICIAL NEURAL NETWORKS-MODELING, PROGRAMMING AND APPLICATION IN MATERIAL HOT WORKING[J];Acta Metallurgica Sinica(English Letters);2000年02期

9 郭卫东;倪开诚;孙旭东;张长江;陈文荣;;基于CWT和GRNN的可见-近红外漫反射光谱检测樱桃糖度的研究[J];食品科学;2009年12期

10 谢水英;黄芳;;基于GRNN神经网络的800H合金热变形预测[J];热加工工艺;2014年12期

中国重要会议论文全文数据库 前10条

1 银涛;俞集辉;;基于GRNN的电力系统短期负荷预测[A];第十届全国电工数学学术年会论文集[C];2005年

2 Ziwen Leng;Junwei Gao;Yong Qin;Xin Liu;Jing Yin;;Short-term Forecasting Model of Traffic Flow Based on GRNN[A];第25届中国控制与决策会议论文集[C];2013年

3 陈其红;阚树林;秦臻;;基于广义回归神经网络(GRNN)的设备可靠性预测[A];2011年全国机械行业可靠性技术学术交流会暨第四届可靠性工程分会第三次全体委员大会论文集[C];2011年

4 柴毅;凌睿;;基于参数优化与GRNN逼近的非线性PID控制[A];第二十六届中国控制会议论文集[C];2007年

5 徐中;张敬莹;赵小波;;基于GRNN的粘弹材料阻尼性能的预测[A];第六届中国功能材料及其应用学术会议论文集（10）[C];2007年

6 王小辉;王琪洁;;基于广义回归神经网络的日长变化的高精度预报[A];中国天文学会2011年学术年会手册[C];2011年

7 马珊;庞永杰;张铁栋;;基于GRNN的声图像特征研究[A];第十五届中国海洋（岸）工程学术讨论会论文集(上)[C];2011年

8 陈端;曹阳;梅一韬;仲云飞;吴邦彬;;GRNN神经网络在大坝渗流预测中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

9 李慧英;李晓奇;;旅游需求预测分析——对比GRNN与多元回归分析方法的应用[A];第四届中国智能计算大会论文集[C];2010年

10 陈欣;肖建华;栾培贤;徐强;王洪斌;;基于BP与GRNN神经网络的PRRS预测模型的研究[A];中国畜牧兽医学会信息技术分会2012年学术研讨会论文集[C];2012年

中国硕士学位论文全文数据库 前8条

1 赵焕;轻涂纸涂布量测定方法的实验研究[D];天津科技大学;2013年

2 董江伟;风速相似性形态研究及其在短期风速预测中的应用[D];南京信息工程大学;2016年

3 陈曦;基于ARCH-因子分析-GRNN组合技术的中国跨国公司汇率风险预测模型构建[D];北京外国语大学;2016年

4 张宇;一种新型GRNN神经网络的制冷压缩机销售预测研究[D];上海交通大学;2015年

5 罗安飞;贵州省社会发展水平评价研究[D];贵州民族大学;2016年

6 李孟杰;基于GRNN神经网络的船舶柴油机排放预测的研究[D];集美大学;2016年

7 金帅军;基于GRNN神经网络的农作物虫害量预测系统设计[D];内蒙古工业大学;2013年

8 任茹香;基于GRNN的变权重组合预测模型在传染病发病率预测中的应用[D];浙江大学;2011年

，

本文编号：935065