基于主成分分析的遗传神经网络换能器一致性研究

发布时间：2017-09-11 03:25

  本文关键词：基于主成分分析的遗传神经网络换能器一致性研究

  更多相关文章： 气体超声波换能器配对 等效电路模型仿真 神经网络 主成分分析 遗传算法 GUI

【摘要】：气体超声波流量计最早出现于上世纪70年代,由于其精确度高、性能稳定可靠、管道中无检测压损等优点,获得了广泛的应用。在实际运用中,基于传播速度差法的时差法是采用最多的一种检测方法,气体超声波换能器作为气体超声波流量计最重要的传感器,都是成对使用的,其配对性能直接影响仪表的整体检测精度。然而目前国内对换能器的配对技术研究研究很少,大多只停留在实际经验中。针对传统换能器配对存在的问题,本课题提出一种基于主成分分析的遗传神经网络配对技术。本论文分六章进行研究：第一章概述了气体超声波换流量计以及气体超声波换能器,介绍了气体超声波换能器配对意义与方法,并着重介绍了目前配对存在的问题,以此提出了本文研究内容——换能器配对技术研究。第二章建立了构建换能器对射等效电路仿真模型,通过等效电路模型研究换能器的灵敏度以及等效电路参数,并对上述模型进行实验验证,最终给出与换能器配对性能相关的参数,以及各参数之间的关系,为后面预测提供指导。第三章阐明BP神经网络算法基本原理,并针对BP神经网络输入层参数过多情况,引入主成分分析法,除去参数之间的相关性,其次根据BP神经网络算法存在问题,引入遗传算法GA对BP神经网络的权值以及阈值进行优化,通过解决这两个问题,从而提高预测模型的准确性,最后构建基于主成分分析遗传神经网络换能器配对模型。第四章首先利用仿真数据,验证了预测模型的可行性,通过比较不同模型的预测精度,得出最优的预测模型,即基于主成分分析的遗传神经网络模型,并采用该模型的对不同测试条件下实际数据进行预测并对比结果,最后对比仿真数据与实测数据预测结果,得出在前者预测结果的精度较高,表明了外界环境对换能器的配对性能预测有影响。第五章设计了换能器优化配对程序流程图与配对性能预测程序流程图,并利用MATLAB中GUI设计气体超声波换能器的配对系统。最后对本课题的研究工作进行了总结,并结合实际情况,提出了一些展望。
【关键词】：气体超声波换能器配对 等效电路模型仿真 神经网络 主成分分析 遗传算法 GUI
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH814.92;TP18
【目录】：

• 致谢4-5
• 摘要5-7
• ABSTRACT7-13
• 1. 绪论13-26
• 1.1 气体超声波流量计概述13-14
• 1.2 气体超声波换能器概述14-19
• 1.2.1 气体超声波换能器性能参数15-18
• 1.2.2 气体超声波流量计对于换能器的要求18-19
• 1.3 气体超声波换能器配对概述19-24
• 1.3.1 换能器配对意义19-20
• 1.3.2 换能器配对原理20-21
• 1.3.3 换能器配对存在问题及解决方案21-24
• 1.4 本论文的目的、创新点以及意义24-25
• 1.5 本论文的主要工作内容25-26
• 2. 气体超声波换能器等效电路模型仿真26-54
• 2.1 气体超声波换能器基本理论26-33
• 2.1.1 压电陶瓷性能参数及特性26-30
• 2.1.2 匹配层特性30-31
• 2.1.3 换能器性能参数31-33
• 2.2 气体超声波换能器性能检测装置33-37
• 2.2.1 换能器瞬态特性参数检测装置33-34
• 2.2.2 稳态特性参数检测装置34-35
• 2.2.3 换能器温度检测装置35-36
• 2.2.4 换能器压力检测装置36-37
• 2.3 气体超声波换能器等效电路模型37-53
• 2.3.1 模型简化37-38
• 2.3.2 压电陶瓷径向振动等效电路38-40
• 2.3.3 匹配层径向振动的等效电路40-43
• 2.3.4 气体超声波换能器等效电路模型43-48
• 2.3.5 气体超声波换能器模型实验评估48-53
• 2.4 本章小结53-54
• 3. 基于主成分分析的遗传神经网络换能器配对模型设计54-76
• 3.1 神经网络概述54-58
• 3.1.1 神经网络原理54-55
• 3.1.2 神经网络传递函数55
• 3.1.3 BP神经网络55-58
• 3.2 主成分分析58-59
• 3.3 主成分分析与神经网络结合设计59-61
• 3.4 遗传算法概述61-63
• 3.4.1 遗传算法的原理61-62
• 3.4.2 遗传算法的基本步骤62-63
• 3.5 遗传算法与主成分分析的BP神经网络结合设计63-69
• 3.5.1 BP神经网络存在的问题63
• 3.5.2 BP神经网络的改进63-64
• 3.5.3 遗传算法优化神经网络方案64-65
• 3.5.4 遗传算法优化主成分分析的神经网络的具体方法65-69
• 3.6 基于主成分的遗传神经网络换能器配对模型设计69-75
• 3.6.1 换能器灵敏度预测结果要求69
• 3.6.2 训练样本及检验样本的选取69-70
• 3.6.3 数据及训练样本的处理70
• 3.6.4 网络结构的确定70-73
• 3.6.5 神经网络预测模型73-74
• 3.6.6 利用遗传算法优化BP神经网络74-75
• 3.7 本章小结75-76
• 4. 基于主成分分析的遗传神经网络换能器配对模型测试76-93
• 4.1 换能器等效电路仿真数据预测76-84
• 4.1.1 BP神经网络预测76-78
• 4.1.2 基于主成分分析的BP神经网络预测78-81
• 4.1.3 基于主成分分析的遗传神经网络预测81-84
• 4.2 基于主成分的遗传神经网络实测数据预测84-91
• 4.2.1 常温常压下检测数据预测结果84-86
• 4.2.2 常压不常温下检测数据结果预测86-88
• 4.2.3 常温不常压下检测数据结果预测88-91
• 4.3 仿真结果与实测结果比较91
• 4.4 本章小结91-93
• 5. 气体超声波换能器配对系统设计93-110
• 5.1 配对系统程序设计方案93-100
• 5.1.1 最优配对程序流程图设计93-99
• 5.1.2 配对性能预测程序流程图设计99-100
• 5.2 配对系统界面设计与开发100-109
• 5.2.1 图形用户界面(GUI)100-101
• 5.2.2 设计方案101-106
• 5.2.3 实验结果分析106-109
• 5.3 本章小结109-110
• 6. 总结与展望110-112
• 6.1 论文总结110
• 6.2 论文展望110-112
• 参考文献112-116

【相似文献】

中国期刊全文数据库 前10条

1 李宗怿;余正红;;基于遗传神经网络的物流配送中心选址决策[J];中国水运(学术版);2006年12期

2 高海龙;张国立;;改进遗传神经网络及其在负荷预测中的应用[J];华北电力大学学报(自然科学版);2009年05期

3 邓一兵;胡伟;高峰;邢朝阳;杨扬;沈钧毅;;遗传神经网络在载人飞船环控决策系统中的应用研究[J];西安交通大学学报;2010年07期

4 罗毅;刘峰;刘向杰;;基于主成分—遗传神经网络的短期风电功率预测[J];电力系统保护与控制;2012年23期

5 任涛;马军海;付宁;;基于遗传神经网络的电力系统负荷预测研究[J];内蒙古石油化工;2012年21期

6 李斌;刘峰;;遗传神经网络在地面沉降趋势预测中的应用[J];山东国土资源;2013年08期

7 赵正佳,黄洪钟,陈新;优化设计求解的遗传神经网络新算法研究[J];西南交通大学学报;2000年01期

8 罗跃纲,闻邦春;遗传神经网络法在风机故障诊断中的应用[J];风机技术;2001年02期

9 王志辉,高启聚;桩端压力注浆桩承载力径向基遗传神经网络研究[J];山东交通学院学报;2003年04期

10 陈希;朱众望;王玉峰;;基于遗传神经网络上市公司股价向基本面回归的分析研究[J];科学技术与工程;2011年27期

中国重要会议论文全文数据库 前10条

1 张启义;张智;梅冬;;遗传神经网络在公路物资运输量预测中的应用[A];中国运筹学会第十届学术交流会论文集[C];2010年

2 高丙坤;田丽;任晶秋;;非线性滤波的遗传神经网络寻优方法[A];第十一届全国信号处理学术年会（CCSP-2003）论文集[C];2003年

3 苏博;刘鲁;杨方廷;;基于灰色关联分析的神经网络预测模型研究[A];2006中国控制与决策学术年会论文集[C];2006年

4 杜延春;李贻斌;王桂月;;遗传神经网络在声纳基阵俯仰角控制系统中的应用[A];2007年中国智能自动化会议论文集[C];2007年

5 李洪伟;周云龙;;基于图像应用遗传—粒子群算法与遗传神经网络结合的气液两相流型识别[A];高效 清洁 安全 电力发展与和谐社会建设——吉林省电机工程学会2008年学术年会论文集[C];2008年

6 金莉;何辅云;张斌;;遗传神经网络在正交试验中的仿真研究[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

7 叶德谦;刘波;;一种改进的遗传神经网络及其在股市中的应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

8 周敏;李飞;;基于量子遗传神经网络的MIMO信号检测技术[A];2009年通信理论与信号处理学术年会论文集[C];2009年

9 何群英;郝伟;;基于全矢谱和遗传神经网络的旋转机械故障诊断[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

10 张礼平;丁一汇;李清泉;张乐飞;;遗传神经网络释用气候模式预测产品的试验研究[A];中国气象学会2008年年会气候预测研究与预测方法分会场论文集[C];2008年

中国博士学位论文全文数据库 前1条

1 曲兴华;在线制造质量测控技术的研究[D];天津大学;2003年

中国硕士学位论文全文数据库 前10条

1 丁芳军;基于遗传神经网络的射频功放行为模型研究[D];电子科技大学;2014年

2 刘念;基于VC++的手写字母识别系统的设计[D];电子科技大学;2014年

3 杨帅;基于遗传神经网络PQF连轧管机组轧制工艺的设计[D];天津科技大学;2013年

4 徐顺;基于主成分分析的遗传神经网络换能器一致性研究[D];浙江大学;2016年

5 郑洁tq;遗传神经网络在城市气象预报中的应用研究[D];辽宁工程技术大学;2011年

6 董登;遗传神经网络在地表水水质评价中的应用研究[D];辽宁工程技术大学;2010年

7 尹纪军;基于改进遗传神经网络的图书采购系统研究[D];江苏大学;2007年

8 李海舰;遗传神经网络在混沌时间序列预测中的应用[D];中北大学;2008年

9 徐庆增;遗传神经网络在热轧管控制中的应用[D];天津科技大学;2006年

10 卢t泽;一种基于遗传神经网络的股票决策的方法研究[D];青岛理工大学;2010年

，

本文编号：828349