基于反传神经网络和压差波动识别气液两相流流型3.pdfVIP

　第 51 卷 　第 6 期 　　　　　　　　　　　　化 　　　工 　　　学 　　　报 　　　　　　　　　　　　Vol. 51 　№6 　　 　 　2000 年 12 月 　　　　　　Journal 　of 　Chemical 　Industry 　and 　Engineering (China) 　　　　　　December 　2000 　 研究简报 基于反传神经网络和压差波动识别气液两相流流型 　 白博峰 　郭烈锦 　陈学俊 (西安交通大学动力工程多相流国家重点实验室 , 西安 710049) 关键词 　反传神经网络 　气液两相流 　流型 　识别 　压差 中图分类号 　TQ 021. 1 引　言 1 　反传神经网络的基本原理 [5 ] CPN 由两层网络组成 . 第 1 层是 Kohonen 研究气液两相流流型自动与客观识别具有重要 自组织特征映射层, 第 2 层是 Grossberg 的外星结 的工程应用价值 , 可为相关工业中两相流动自动监 构 , 它对 Kohonen 层提取的模式特征信息采用有 测与控制提供技术保障. 因此 , 该课题一直受学术 指导的训练算法来实现输入模式的分类. 图 1 为 界和工业界的重视. 近年来 , 随着测量技术和信息 CPN 模型 , 输入层节点数为 1 , Kohonen 层有 n 处理技术的发展 , 为气液两相流型的客观和智能识 个节点 , Crossberg 层有 m 个节点. 别提供了可能[1 ] . 目前有关流型的神经网络模式识别的研究工作 正在进行. Embrechs 等[2 ] 采用 Kohonen 神经网络 模型 , 分别将压差波动信号的短时 Fourier 谱和正 交小波变换后的小波系数作为网络的输入特征 , 对 水平管内的两相流流型进行识别. 结果发现Fourier 谱作为输入特征参数能够识别水平管内的所有流 型 , 但作者没有用大量样本考验网络的识别率. Fig. 1 　Structure of Counter Propagation Network Mi 等人[3 ]利用 Kohonen 网络和含气率的波动信号 识别了管内气液两相流型 , 作者将流型过渡区作为 1. 1 　Kohonen 层自组织映射算法 单独待识别的流型. Monji 和 Matsui [4 ] 采用一层和 Kohonen 层按照自组织原理实现输入模式样本 两层前向网络 , 将含气率波动过程的均方根、3 阶 在网络输出端的特征映射 , 它的学习算法是基于非 矩和 4 阶矩作为网络