毕业设计 使用RBF神经网络进行优化 外文文献翻译

使用RBF神经网络进行优化

冷藏库的控制

施正荣,成国栋,王琦鸿,徐燕和薛国信

213016年常州江苏机构Petrochemical Technology,代为办理

1999年11月26日(收到)

文摘:近年来,先进控制技术最优控制冷藏。但仍有许多缺点。的一个主要问题是,传统方法不能实现在线预测最优控制制冷系统的简单而有效的算法。一个RBF神经网络有很强的非线性映射能力,一个好的插值性能,价值和更高的训练速度。因此本文提出了一种两级RBF神经网络。将测量值与预测值,两级RBF神经网络用于在线预测最优控制的冷藏温度。新方法的应用效果显示一个巨大的成功。

关键词:RBF神经网络、冷藏、在线预测最优控制。

介绍

冷库温度的预测最优控制找到了广泛应用在农业工程,特别是冷藏的水果和蔬菜保鲜的。所有的currently-used温度控制单元面临如何选择最适温度为控制对象的问题，如何进行冷藏库温度的变化，和如何实现最优控制。大量的工作研究了前面的方法是基于泰勒级数理论和PID控制算法[1,5]。后来,毛皮商的转换方法,切比雪夫的理论和一些基础知识的系统我们得到了并且使用了更好的结论(2、3)。近年来,英国石油公司将神经网络用于冷库温度的最优控制。BP神经网络具有良好的非线性映射的性能,但它有太多的地方并不是那么理想,通常是其训练速度太慢了(2、5)。因此它不能方便地用于在线控制计算。后来也提出了一种两阶段RBF神经网络实现在线最优控制的冷藏温度。在第一阶段的使用过程中确定当前最佳制冷系统的温度,和第二个阶段是用于在未来时间点进行确定温度的值。此外, 他的解决方案是用于制冷系统的直接行动，一个最难的问题是解

决了。

采用RBF 神经网络分为两个阶段。第一阶段是用来确定最佳值的冷藏温度, 而第二个是用来预测温度。一般来说,假设n 个输入变量1x ,…, n x 和m 个输

出变量1y ,…, m y .则：

1(,...,)T n x x x = (1)

1(,...,)T m y y y = (2)

使用RBF 神经网络最优控制冷藏，x 代表一个点的n 维输入空间n R ,而y 代表一个点的m 维输出空间m R ,假设隐藏的单位的数量是H 。每个隐单元使用了两个参数,一个是标量,另一个是矢量。假设的训练样本集是()(){(,)}k k x y k K ＃。一般来说,应该满足n H K ＃。RBF 神经网络是基于插值radius-based 功能的性能。为了改善性能,使用下列方程计算出RBF 神经网络的输出j 。

^

221^2

21()exp(),1()exp()H jh h h j H h h h x x y j m x x v s s ==--=＃--

?? (3) 在这里,分子是一种传统的RBF 插值算法表达式,而分母不变的插值表达式

（1）通过这种分母,衰减指数函数的分子是取消了极大的分母。通过这种方式,改进的RBF 神经网络具有更好的性能。

3、在线计算的冷藏温度

选择的目标价值冷藏温度,需要综合考虑所有的因素。为了合理地使用能源,制冷过程中应该有一个高性能系数0e ，而0e 和制冷量子0Q 与所需的能源P 的关系应该满足公式

0e =

研究结果表明, 0e 随蒸发温度和冷凝温度的下降而增加，而且一个更高的蒸

发温度和冷凝温度较低有利于保持新鲜的水果和蔬菜。因此,制冷系统应该运行在更高的蒸发温度和冷凝温度较低的环境中。然而,蒸发温度显然是在冷藏条件下的温度对象的限制。

为一种特殊的水果或蔬菜就进入冷藏，它的最佳储存温度可以得到正交实验方法。最佳储存温度随着储存时间的增加而减小。单位水果或者蔬菜的损失满足公式

(1)

(2)i i i L L L =+ (5)

式中(1)i L 是由水果或蔬菜被冻伤造成的，而(2)

i L 是由于时间关系而日益恶化造

成的。当环境温度升高了，(1)i L 降低但是(2)i L 会升高。这两个数据都和存储时间

t 相关。因此，

(1)(2)

(1)0(2)0[,],[,]i i i i i i L L f T t t f T t t t t

抖=-=-抖 (6) 在这个式子中，(1)i f 会随着温度T 的升高而降低，但是(2)i f 会升高。0i t 表示

进入存储的时间，0i t t -则表示表示存储时间,然后我们有

0(1)0(2)0{[,][,]}i t

i i i i i t L f T t t f T t t dt =-+-ò (7)

对于水果或者蔬菜来说，其最佳储存温度*i T 应该满足以下方程

(1)*0(2)*0[,][,]0i i i i i i f T t t f T t t T T

??+=抖 (8) 设水果或蔬菜的重力是i g ，其存储损失为i i g L ，则在单位时间间隔内总存储损失为

(1)0(2)01

{[,][,]}n i i i i i i L g f T t t f T t t t =?=-+-?? (9) 设*

T 表示最佳储存温度。它应该满足

2*(,)0L T t t T

?=抖 (10) 就是

(1)*0(2)*01[,][,]{}0n

i i i i i i i i f T t t f T t t g T T =??+=抖? (11) 用上面传统的方法计算*

i T 是比较费时间的，因此我们使用RBF 神经网络实

现的解决*

i T 方案。这种RBF 神经网络的第一部分提出两级RBF 神经网络。这

种网络只有一个输出，..i e ，*

i T ，并且有2n 个输入，即i g ,1i n ＃

和 0i t t -,1i n ＃。H n =在这里作为隐藏的单位使用，方程（11）用于产生足够的

训练样本。

4、冷库温度的在线预测

最优控制的关键问题之一的存储温度是如何准确预测温度。因为他们的鲁棒性,基于神经网络的预测方法吸引了越来越多的关注。BP 神经网络是一种早期的神经网络用于这一目的。但它的训练时间通常是太长,和它有很多局部最小值点。因此,RBF 神经网络由于其较高的训练速度吸引了越来越多的关注。本文采用两级RBF 神经网络预测存储温度。在预测过程中,温度和湿度之间的耦合关系应该考虑。本文选择输出变量, 在同一时间内设置包括温度变量和湿度变量。输入变量的选择考虑是否有执行控制,涉及以下两种不同的情况:

案例l:自动控制系统

假设有R 个冷藏的操作变量1,...R u u 和S 个状态变量1,...S v v 。考虑一个时间窗口组成的2Q 个时间点,

1212(1),(2),...,...Q Q Q t t Q t t t Q t t t

t t t t t Q t +=--D =--D ==+D =+D (12)

分别用()q r u 和()q s u 表示r u 和 s u 在q t 时的值，令

(1)(1)(1)(1)()()()()1111(,...,,,...,,...,,...,,,...)Q Q Q Q T R S R S x u u v v u u v v = (13)

(1)(2)(1)211(,...,,...,,...,)Q Q Q Q T S S y v v v v ++= (14)

式中(),n R S Q m QS =+=，这些预测的作用是根据（13）式中的向量x 确定

（14）式中的y ，在当前时间0t ，所有的测量结果可以用来构造预测网络的输入。假设所有的操作变量和状态变量可以被测量，但是在以后他们的值都是未知的。为了构建一个预测样本，相关的时间 t 应该满足公式 0t t Q t ?D 。

否则,未知值将包含在示例将是不合理的。 假设已经得到了足够多的样品()()(,),1,2,...,k k x y k K =，首先,计算隐藏单位的参数,然后计算存储温度的预测价值。

例2:自动控制系统

此时,输入变量的设置只包含环境温度、湿度和量子存储的水果和蔬菜,等等。任何输入变量不出现在控制算法,而预测变量是稳定状态变量的值。RBF 神经网络的非线性映射函数是用来设计稳定模型。当状态变量的稳定值,控制算法用于计算仓库的温度, 因此预测变量的集合不包含任何变量控制。这就是为什么预例2中设置预测变量和控制变量与例1的不同之处。

5、在线最优控制的冷藏温度

普通PID 控制算法的一个变量单位需要以下公式

0(){()()[()(1)]}k s d c s i i s

T T u k K e k e i e k e k u T T ==++--+? （15） s u 和()u k 分别是初始值和控制变量的当前值。()e i 是分配值和控制对象的实际价值的区别,即

()()e i v i t =- （16）

()v i 和t 分别是i th -时间点处的实际值和分配的控制对象的值，写出方程(15)的增量形式,然后我们可以得到

()()(1)[()(1)]()[()2(1)(2)]c i d u k u k u k K e k e k K e k K e k e k e k D =--=--++

--+- （17）

式子中 s i c

i T K K T = 是积分系数, d d c s

T K K T =是微分系数。用另一种形式写上面的方程,我们可以得到 2()()()()c i d u k K e k K e k K e k D =D ++D （18）

在得到控制变量的预测值的情况下，式(17)和（18）就会发生改变。k t 表示当前时间，并且设在1k t +和 2k t +时刻变量v 的预测的值分别是(1)v k +和(2)v k +，令 (1)(1)e k v k t +=-+ (2)(2)e k v k t +=-+ （19）

结合历史值和变量的预测值计算方程 (18) 的右边。令 1()[()(1)][(1)()][(2)(1)]

e k e k e k e k e k e k e k a b g ùD =--++-++-+（20） 222()()(1)(2)

e k e k e k e k a b g ù=++++ （21）

2333()[()2(1)(2)][(1)

2()(1)][(2)2(1)()]

e k e k e k e k e k e k e k e k e k e k a b g ùD =--+-++-+-++-++ （22） 用这个方法，方程（18）可以变成一下格式

2()()()()c i d u k K e k K e k K e k 儋

D =D ++D （23）

上式中111222333,,,,,,,,a b g a b g a b g 的值应该满足

{ 11111110,,1a b g a b g ++=＃，{ 22222210,,1a b g a b g ++=＃，{33333310,,1a b g a b g ++=＃ （24） 因此系统中只有6独立系数待定。选择这些系数112233,,,,,a b a b a b 作为条件来确保他们能够让的数学期望最小,也就是说,我们有以下方程

2min [()]E e k （25）

与下面的约束条件

1111222233330,;11;0,;11;0,;11a b a b a b a b a b a b ?-＃--＃--

所有的112233,,,,,a b a b a b 的初始值可以被选为13

。 6、应用程序

本文提出的方法已被用于最优控制温度冷藏的水果和蔬菜。表1列出了水

果和蔬菜的日常存储损失之前和之后使用本文提出的方法。对于一种特殊的水果或蔬菜来说,其日常损失率是指

/,1i i i l L E i N =＃

式中N 表示水果和蔬菜的种类的数量, i L 和 i E 分别表示每天入口的i th -特殊水果或蔬菜的损失和市场价格，1i N ＃。只是损失不包括水果或蔬菜腐烂而被丢弃的部分, 而且也存在越来越不新鲜了而造成的价格降低，假设水果或蔬菜的市场价值是基于其存储容量i W ，1/N

i i j j w W W ==?。每天总损失率可以根据

以下公式计算1N

i i i l w l ==?。

从表,我们可以看到,通过使用本文提出的控制方法,保鲜效果已经大大提高,系统运行更稳定

7.结论

本文提出了一种两级RBF 神经网络计算的最佳冷藏温度和温度的预测。在此基础上,修改后的PID 控制算法。以这种方式实现温度的在线优化控制,并得到了满意的结果。两级RBF 神经网络具有强大的非线性映射能力和插值的一个很好的性能值，它也有一个更高的训练速度。本文提出的方法可用于其它控制问题在农业工程与一个伟大的前景。

Using RBF Neural Network for Optimum

Control of a Cold Storage

Shi Guodong, Wang Qihong , Xu Yan & Xue Guoxin

Jiangsu Institution of Petrochemical Technology, Changzhou 213016, P.R.China

(Received November 26, 1999)

Abstract :In recent years ,advanced control technologies have been for the optimum control of a cold storage. But there are still a lot of shortcomings. One of the main problems is that the traditional methods can’t realize the on-line predictive optimum control of a refrigerating system with simple and valid algorithms. An RBF neural network has a strong ability in nonlinear mapping, a good interpolating value performance, and a higher training speed. Thus a two-stage RBF neural network is proposed in this paper .Combining the measured values with the predicted values , the two-stage RBF neural network is used for the on-line predictive optimum control of the cold storage temperature. The application results of the new methods show a great success.

Keywords: RBF neural network, Cold storage, On-line prediction, optimum control.

1. INTRODUCTION

The predictive optimum control of cold storage temperature has found a wide application in a agricultural engineering, especially for keeping fruits and vegetables fresh by cold storage. All of the currently-used temperature control units face the problems on how to choose the optimum temperature as the controlled object, how to predict the temperature variation of the refrigerating storehouse and how to realize the optimum control. A lot of study efforts have been made. The earlier methods were based on the Taylor’s series theory and the PID control algorithm[1,5].Later, Furrier’s transformation method, Chebyshev’s theory and knowledge -based system were used and better results were got [2,3].In recent years ,BP neural networks have been used for the optimum control of the cold storage temperature .A BP neural

network has a good performance of nonlinear mapping, but it has too many local minimum points, and usually its training speed is too slow[2,5]. Hence it couldn ’t be used for on-line control calculation conveniently .This paper proposes a two -stage RBF neural network to realize the on-line optimum control of the cold storage temperature. The first stage is used to determine the current optimum refrigerating temperature of the system, and the second is used to predict the temperature values in the coming time points .Furthermore, an optimum problem is solved, whose solution is used to direct the action of the refrigerating system..

2. A TWO- STAGE RBF NEURAL NETWORK A two-stage RBF neural network is adopted. The first stage is used to determine the optimum value of the cold storage temperature, and the second is used to predict the temperature. Generally, suppose that there are n input variables 1x ,…, n x and m output variables 1y ,…, m y . Let

1(,...,)T n x x x = (1)

1(,...,)T m y y y = (2)

Using RBF Neural Network for Optimum control of a Cold Storage where x denotes a point in the n -dimensional input space n R ,while y denotes a point in

the m dimensional output space m R ,Suppose that the number of the hidden units is

H .Every hidden unit uses two parameters, one is scalar quantity (0)h s > ,the

other is vector ()h x .Suppose that the set of the training samples is

()(){(,)}k k x y k K ＃.Generally,n H K ＃ should be satisfied. RBF neural networks are based on the interpolating value performance of radius-based functions. To improve this performance ,the following equation is used to calculate the j -the output of an RBF neural network.

Here, the numerator is a traditional RBF interpolating algorithm expression, and the denominator is the interpolating expression of constant 1.With this denominator, the attenuation of exponent functions in the numerator is canceled out greatly by that of the denominator. In this way ,the improved RBF neural network has a better performance.

3. THE ON-LINE CALCULATION OF THE COLD STORAGE TEMPERATURE To choose the target value of the cold storage temperature, it is needed to take overall considerations about all factors. In order to use energy reasonably, the refrigeration process should have a high performance coefficient 0e which is the ratio of the refrigeration quantum 0Q to the needed energy P satisfying

Research results show that 0e increases as the evaporation temperature increases or the condensation temperature decreases [4,6],and a higher evaporation temperature and a lower condensation temperature are beneficial to keep fruits and vegetable fresh . Thus the refrigeration system should run under a higher evaporation temperature and a lower condensation temperature. However the evaporation temperature is apparently limited by the temperature of the object under refrigeration. For a special kind of fruit or vegetable just entering the cold storage, its optimum storage temperature can be got with the orthogonal experimental method. The optimum storage temperature decreases with the increasing of the storage time. The loss of per unit of i th - fruit or vegetable is

(1)(2)i i i L L L =+ (5)

where

(1)

i

L

is produced by frostbiting, while

(2)

i

L by deteriorating

.When temperature increases ,

(1)

i

L decreases and (2)

i

L increases .Both of them are related to the storage time t, thus

where

(1)

i

f decreases and (2)

i

f increases respectively when the temperature T increases ,

i

t denotes the time of entering the storage, while 0

i

t t-denotes the storage time, then we have

(1)0(2)0

{[,][,]}

i

t

i i i i i

t

L f T t t f T t t dt

=-+-

ò

(7)

For

i th

-fruit or vegetable, its optimum storage temperature *i

T should satisfy the following equation

Let the gravity of i

th

-fruit or vegetable be i g,its storage loss

i i

g L, then the total storage loss in a unit time interval is

Let *T denote the optimum storage temperature in general .It should satisfy

that is,

The calculation of *

i

T in above formulae with traditional methods is time

consuming. Hence we use an RBF neural network to accomplish the solution of *

i

T. This RBF neural network is the first part of the two-stage RBF neural network

proposed in the paper .It has only one output , ..i e ,*

i T ,and 2n inputs, that is i g ,1i n ＃ and 0i t t -,1i n ＃.H n =hidden units are used here .Equation(11) is used to produce enough training samples.

4、THE ON-LINE PREDICTION OF THE COLD STORAGE TEMPERATURE One of the key problems of the optimum control over the storage temperature is how to predict the temperature accurately. Because of their robustness ,the prediction methods based on neural networks have attracted more and more attentions. BP neural network is a kind of earlier used neural network for this purpose .But its training time is usually too long, and it has many local minimum points. Thus the RBF neural network has attracted more and more attention thanks to its higher training speed. This paper employs a two-stage RBF neural network to predict the storage temperature..In the prediction process, the coupling relation between the temperature and the humidity should be taken into account. The paper selects the output variables in a way that the set of the variables include the temperature variables and the humidity variables at the same time. The choosing of the input variables should be taken into account no matter whether the control is performed or not, with the following two different cases involved: Case l: Automatic control system is off

Suppose that there are R operating variables of the cold storage 1,...R u u and S state variables 1,...S v v .Consider a time window composed of 2Q time points, 1212(1),(2),...,...Q Q Q t t Q t t t Q t t t

t t t t t Q t +=--D =--D ==+D =+D (12)

Use ()q r u and ()q s u to denote the values of r u and s u at time point q t

respectively (12)q Q ＃. Let

(1)(1)(1)(1)()()()()1111(,...,,,...,,...,,...,,,...)Q Q Q Q T R S R S x u u v v u u v v = (13)

(1)(2)(1)211(,...,,...,,...,)Q Q Q Q T S S y v v v v ++= (14)

Where (),n R S Q m QS =+=. The task of the prediction is to determine y of

(14)according to the vector x of (13) .For the current time 0t ,all of the measured results can be used to construct the inputs of the prediction network. Suppose that all of the operating variables and state variables can be got by measuring ,and their values in the future are unknown. To construct a prediction sample ,the related time t should satisfy 0t t Q t ?D .Otherwise, unknown values would be contained in the sample which would be unreasonable.

Suppose that enough samples ()()(,),1,2,...,k k x y k K = have been got .First, calculate the parameters of the hidden units, then calculate the prediction value of the storage temperature. Case2 :Automatic control system is on

At this time, the set of the input variables only contains the environmental temperature, humidity and quantum of the stored fruits and vegetables ,etc. Any of the input variables d oesn’t appear in the control algorithm ,while the prediction variables are the stable values of the state variables. The nonlinear mapping function of the RBF neural network is used to design the stable models. When the stable values of the state variables have been obtained, the control algorithm is used to calculate the temperature of the storehouse, thus the set of the predicted variables wouldn’t contain any variable to be controlled. That’s why the set of the predicted variables and the set of the controlled variables under Case2 are different from those under Case1.

5.THE ON-LINE OPTIMUM CONTROL OF THE COLD STORAGE TEMPERATURE The common PID control algorithm of a variable unit takes the following form

0(){()()[()(1)]}k s d c s i i s

T T u k K e k e i e k e k u T T ==++--+? （15） Where s u and ()u k are the initial value and the current value of the controlled variable respectively . ()e i is the difference between the assigned value and the real value of the control object, that is

()()e i v i t =- （16） where ()v i and t are the real value at i th - time point and the assigned value of the control object respectively. Write equation (15) in the incremental form ,then we have

()()(1)[()(1)]()[()2(1)(2)]

c i

d u k u k u k K

e k e k K e k K e k e k e k D =--=--++

--+- （17） Where s i c i T K K T = is the integral coefficient, d d c s

T K K T =is the differential coefficient .Write the above equations in another form, then we have

2()()()()c i d u k K e k K e k K e k D =D ++D （18）

Under the case of having got the predicted value of the controlled variable ,equations(17)and(18)should be changed .Let k t denote the current time ,and suppose that the predicted values at the instants 1k t +and 2k t + of variable v with RBF neural network are (1)v k +and (2)v k + respectively ，Let

(1)(1)e k v k t +=-+ (2)(2)e k v k t +=-+ （19）

Combine the historic values with the predicted values of the variable to calculate the right side of equation(18).Let 1()[()(1)][(1)()][(2)(1)]

e k e k e k e k e k e k e k a b g ùD =--++-++-+（20） 222()()(1)(2)

e k e k e k e k a b g ù=++++ （21）

2333()[()2(1)(2)][(1)

2()(1)][(2)2(1)()]

e k e k e k e k e k e k e k e k e k e k a b g ùD =--+-++-+-++-++ （22） In this way ,equation (18) is changed into the following form

2()()()()c i d u k K e k K e k K e k 儋

D =D ++D （23）

The values of 111222333,,,,,,,,a b g a b g a b g in above equations should satisfy

{ 11111110,,1a b g a b g ++=＃，{ 22222210,,1a b g a b g ++=＃，{33333310,,1a b g a b g ++=＃ （24） Hence there are only 6 independent coefficients to be determined. Choose them as 112233,,,,,a b a b a b the condition to determine them is that they should let the mathematical expectation of 2

()e k get its minimum, that is ,we have the following equation

2min [()]E e k （25）

with the following constraint condition

1111222233330,;11;0,;11;0,;11a b a b a b a b a b a b ?-＃--＃--

All of the initial values of 11223,,,,,a b a b a b 6. APPLICATION

The methods proposed in the paper have been used for the optimum control over the temperature of a cold storage for fruits and vegetables. Table 1 lists the daily storing losses of the fruits and vegetables before and after the methods proposed in the paper are used. For a special kind of fruit or vegetable, its daily loss rate is defined as /,1i i i l L E i N =＃

Where N is the number of the kinds of fruits and vegetables, i L and i E are the loss and the market price of daily entry volume of i th - special kind fruit or

vegetable respectively,1i N ＃.The loss does not only include the discarded part

caused by deteriorating, but also the price decrease caused by the decreasing of the freshness .Suppose that the market value of i th - fruit or vegetable based on its storing volume is i W ,define 1/N

i i j j w W W ==?

The total daily loss rate can be calculated according to the following equation 1N i i i l w l ==?

From Table l, we can see that by using the control methods proposed in the

paper ,the fresh-keeping result has been improved greatly and the system runs more stably

7.CONCLUSION

The paper proposes a two-stage RBF neural network for the calculation of the optimum cold storage temperature and the prediction of the temperature .Based on it, a modified PID control algorithm is proposed .In this way the on-line optimum control of the temperature is realized ,and satisfactory results are got .The two-stage RBF neural network has a strong ability of nonlinear mapping and a good performance of interpolating value .It also has a higher training speed. The methods proposed in the paper may be used in other control problems in agricultural engineering with a great prospect.

REFERENCES

[1]Foster W R ,Collopy F, Ungar L H. Neural Network Forecasting of Short Noisy Time Series. Computers Chem. Engin.,1992,16 (4):293-297.

[2]Ruan R R, Almer S ,Zhang J.Predietion of Dough Theological Properties Using Neural Networks. Cereal Chemistry,1995,72(3):7-13.

[3]Kernen M, Lee L L, Perez-Blaneo H. A Study of Solution Properties to Optimize Absorption Cycle Cop. International Journal of Refrigeration, 1995,18(1):42-50.

[4]Rubes D J ,Bullard C W. Factors Contributing to Refrigerator Cycling Losses.

International Journal of Refrigeration, 1995,18(3):168-176.

[5]Zhang David D. Neural Networks System Design Methodology. Tsinghua University Press,1996:1-7.

[6] Davey L M, Pham Q J. Predicting the Dynamic Product Heat Load and Weight Loss During Beef Chilling Using a Muiti-Region Finite Difference Approach. International Journal of Refrigeration, 1997,20(7):470-482.

Shi Guodong was born in Changzhou in 1956. He is currently a professor of Department of Computer Science and Engineering at Jiangsu Institute of Petrochemical Technology. His research interests are in neural network and control , electrical technology.

Wang Qihong was born in Beijing in 1956. She graduated from Department of Automation of Tianjin University in 1986. She is currently a associate professor of Department of Computer Science and Engineering at Jiangsu Institute of Petrochemical Technology

Xue Guoxin was born in Changzhou in 1962 .He received the M.S. degree from Beijing University in 1986. Currently he is a associate Professor at Jiangsu Institute of Petrochemical Technology.

本科毕业设计文献综述范例(1)

###大学 本科毕业设计（论文）文献综述 课题名称： 学院（系）： 年级专业： 学生姓名： 指导教师： 完成日期：

燕山大学本科生毕业设计（论文） 一、课题国内外现状 中厚板轧机是用于轧制中厚度钢板的轧钢设备。在国民经济的各个部门中广泛的采用中板。它主要用于制造交通运输工具（如汽车、拖拉机、传播、铁路车辆及航空机械等）、钢机构件（如各种贮存容器、锅炉、桥梁及其他工业结构件）、焊管及一般机械制品等［1~3］。 1 世界中厚板轧机的发展概况 19世纪五十年代，美国用采用二辊可逆式轧机生产中板。轧机前后设置传动滚道，用机械化操作实现来回轧制，而且辊身长度已增加到2m以上，轧机是靠蒸汽机传动的。1864年美国创建了世界上第一套三辊劳特式中板轧机，当时盛行一时，推广于世界。1918年卢肯斯钢铁公司科茨维尔厂为了满足军舰用板的需求，建成了一套5230mm四辊式轧机，这是世界上第一套5m以上的轧机。1907年美国钢铁公司南厂为了轧边，首次创建了万能式厚板轧机，于1931年又建成了世界上第一套连续式中厚板轧机。欧洲国家中厚板生产也是较早的。1910年，捷克斯洛伐克投产了一套4500mm二辊式厚板轧机。1940年，德国建成了一套5000mm四辊式厚板轧机。1937年，英国投产了一套3810mm中厚板轧机。1939年，法国建成了一套4700mm 四辊式厚板轧机。这些轧机都是用于生产机器和兵器用的钢板，多数是为了二次世界大战备战的需要。1941年日本投产了一套5280mm四辊式厚板轧机，主要用于满足海军用板的需要。20世纪50年代，掌握了中厚板生产的计算机控制。20世纪80年代，由于中厚板的使用部门萧条，许多主要产钢国家的中厚板产量都有所下降，西欧国家、日本和美国关闭了一批中厚板轧机（宽度一般在3、4米以下）。国外除了大的厚板轧机以外，其他大型的轧机已很少再建。1984年底，法国东北方钢铁联营敦刻尔克厂在4300mm轧机后面增加一架5000mm宽厚板轧机，增加了产量，且扩大了品种。1984年底，苏联伊尔诺斯克厂新建了一套5000mm宽厚板轧机，年产量达100万t。1985年初，德国迪林冶金公司迪林根厂将4320mm轧机换成4800mm 轧机，并在前面增加一架特宽得5500mm轧机。1985年12月日本钢管公司福山厂新型制造了一套4700mmHCW型轧机，替换下原有得轧机，更有效地控制板形，以提高钢板的质量。 - 2 -

毕业设计外文翻译资料

外文出处： 《Exploiting Software How to Break Code》By Greg Hoglund, Gary McGraw Publisher : Addison Wesley Pub Date : February 17, 2004 ISBN : 0-201-78695-8 译文标题： JDBC接口技术 译文： JDBC是一种可用于执行SQL语句的JavaAPI（ApplicationProgrammingInterface应用程序设计接口）。它由一些Java语言编写的类和界面组成。JDBC为数据库应用开发人员、数据库前台工具开发人员提供了一种标准的应用程序设计接口，使开发人员可以用纯Java语言编写完整的数据库应用程序。 一、ODBC到JDBC的发展历程 说到JDBC，很容易让人联想到另一个十分熟悉的字眼“ODBC”。它们之间有没有联系呢？如果有，那么它们之间又是怎样的关系呢？ ODBC是OpenDatabaseConnectivity的英文简写。它是一种用来在相关或不相关的数据库管理系统（DBMS）中存取数据的，用C语言实现的，标准应用程序数据接口。通过ODBCAPI，应用程序可以存取保存在多种不同数据库管理系统（DBMS）中的数据，而不论每个DBMS使用了何种数据存储格式和编程接口。 1．ODBC的结构模型 ODBC的结构包括四个主要部分：应用程序接口、驱动器管理器、数据库驱动器和数据源。应用程序接口：屏蔽不同的ODBC数据库驱动器之间函数调用的差别，为用户提供统一的SQL编程接口。 驱动器管理器：为应用程序装载数据库驱动器。 数据库驱动器：实现ODBC的函数调用，提供对特定数据源的SQL请求。如果需要，数据库驱动器将修改应用程序的请求，使得请求符合相关的DBMS所支持的文法。 数据源：由用户想要存取的数据以及与它相关的操作系统、DBMS和用于访问DBMS的网络平台组成。 虽然ODBC驱动器管理器的主要目的是加载数据库驱动器，以便ODBC函数调用，但是数据库驱动器本身也执行ODBC函数调用，并与数据库相互配合。因此当应用系统发出调用与数据源进行连接时，数据库驱动器能管理通信协议。当建立起与数据源的连接时，数据库驱动器便能处理应用系统向DBMS发出的请求，对分析或发自数据源的设计进行必要的翻译，并将结果返回给应用系统。 2．JDBC的诞生 自从Java语言于1995年5月正式公布以来，Java风靡全球。出现大量的用java语言编写的程序，其中也包括数据库应用程序。由于没有一个Java语言的API，编程人员不得不在Java程序中加入C语言的ODBC函数调用。这就使很多Java的优秀特性无法充分发挥，比如平台无关性、面向对象特性等。随着越来越多的编程人员对Java语言的日益喜爱，越来越多的公司在Java程序开发上投入的精力日益增加，对java语言接口的访问数据库的API 的要求越来越强烈。也由于ODBC的有其不足之处，比如它并不容易使用，没有面向对象的特性等等，SUN公司决定开发一Java语言为接口的数据库应用程序开发接口。在JDK1．x 版本中，JDBC只是一个可选部件，到了JDK1．1公布时，SQL类包（也就是JDBCAPI）

人工神经网络原理及实际应用

人工神经网络原理及实际应用 摘要：本文就主要讲述一下神经网络的基本原理，特别是BP神经网络原理，以及它在实际工程中的应用。 关键词：神经网络、BP算法、鲁棒自适应控制、Smith－PID 本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在“计算＂某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。1943年Macullocu和Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展，停滞，再发展的过程，时至今日发展正走向成熟，在广泛领域得到了令人鼓舞的应用成果。本文就主要讲述一下神经网络的原理，特别是BP神经网络原理，以及它在实际中的应用。 1.神经网络的基本原理 因为人工神经网络是模拟人和动物的神经网络的某种结构和功能的模拟，所以要了解神经网络的工作原理，所以我们首先要了解生物神经元。其结构如下图所示： 从上图可看出生物神经元它包括，细胞体：由细胞核、细胞质与细胞膜组成；

轴突：是从细胞体向外伸出的细长部分，也就是神经纤维。轴突是神经细胞的输出端，通过它向外传出神经冲动；树突：是细胞体向外伸出的许多较短的树枝状分支。它们是细胞的输入端，接受来自其它神经元的冲动；突触：神经元之间相互连接的地方，既是神经末梢与树突相接触的交界面。 对于从同一树突先后传入的神经冲动，以及同一时间从不同树突输入的神经冲动，神经细胞均可加以综合处理，处理的结果可使细胞膜电位升高；当膜电位升高到一阀值（约40mV），细胞进入兴奋状态，产生神经冲动，并由轴突输出神经冲动；当输入的冲动减小，综合处理的结果使膜电位下降，当下降到阀值时。细胞进入抑制状态，此时无神经冲动输出。“兴奋”和“抑制”，神经细胞必呈其一。 突触界面具有脉冲/电位信号转换功能，即类似于D/A转换功能。沿轴突和树突传递的是等幅、恒宽、编码的离散电脉冲信号。细胞中膜电位是连续的模拟量。 神经冲动信号的传导速度在1～150m/s之间，随纤维的粗细，髓鞘的有无而不同。 神经细胞的重要特点是具有学习功能并有遗忘和疲劳效应。总之，随着对生物神经元的深入研究，揭示出神经元不是简单的双稳逻辑元件而是微型生物信息处理机制和控制机。 而神经网络的基本原理也就是对生物神经元进行尽可能的模拟，当然，以目前的理论水平，制造水平，和应用水平，还与人脑神经网络的有着很大的差别，它只是对人脑神经网络有选择的，单一的，简化的构造和性能模拟，从而形成了不同功能的，多种类型的，不同层次的神经网络模型。 2.BP神经网络 目前，再这一基本原理上已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。 这里我们重点的讲述一下BP神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络设想，其网络模型如下图所示。它可以分为输入层，影层（也叫中间层），和输出层，其中中间层可以是一层，也可以多层，看实际情况而定。

机械毕业设计英文外文翻译588柱塞式液压缸、起重器和柱塞

附录A译文 (一) 柱塞式液压缸、起重器和柱塞 液压缸、起重器和柱塞的基本术语可以被看作为同义词。通常首先描述的是其基本质特征，“jack”通常用来描述，应用于起重器中的液压缸，而且在大多数应用驱动器的特定工业场合来提供起重装置，“ram”经常被应用于高输出力的大型、重型液压缸，其它一些权威书籍可能将“ram”定义为活塞和杆是相同直径的液压缸，尽管这种液压缸更准确的应该被叫做柱塞式油缸，或置换式液压缸，这些形式的液压缸单一作用式并有其相对的应用局限。 液压缸可为单作用式，在单作用液压缸情况下，运动由弹簧或某种外力或重力使活塞返回到起始位置时释放压力来完成，在这种情况下弹簧返回，再液压条件下可获得的输出力可以被弹簧抗力所减轻。 双作用液压缸再普通应用场合是最常用的，液流上被安装液压缸两端，被选择器交替实现输入口，输出口作用。最大的可获得的输出的仅比单作用液压缸所获得的输出稍小些，因为当液体压力被反向加压时组织泄露，因而增加了摩擦力抵抗运动。 在反向运动时，可获得的力会由于活塞和杆面积的不同而降低了活塞作用面积减少，反向压力也是存在的，这种性能损失也许会很小，但在实际中明显地减少理论性能，而且液压缸的理论性能是有一定规格的，允许的公称公差以适应摩擦损失。 大多数的液压缸是单杆式的，双杆式的液压缸可能被应用在要求特高刚度下。对于双作用式液压缸，冲压力在伸出和缩回是相等的，这里可以估计到相比在相同直径的液压缸由于杆的封闭作用，摩擦力也会两端的密封杆和密封轴承而增大。 液压缸被广泛用于工业液体系统中，这些液压缸也别称为线性原动机或往复原动机。通常液压缸由循环管，活塞和杆运动处两侧的密封组织，活塞杆可被设计在液压缸的一侧或两侧，围绕活塞杆向液压缸外的液体温度可以由正确设计的还有密封垫用途的应用。再这当中我们将学习各种类型的液压缸以及它们是如何应用的液压缸的用途会对工业水利学的学习有很大帮助。

基于BP神经网络的车型识别外文翻译

、外文资料 License Plate Recognition Based On Prior Knowledge Abstract - In this paper, a new algorithm based on improved BP (back propagation) neural network for Chinese vehicle license plate recognition (LPR) is described. The proposed approach provides a solution for the vehicle license plates (VLP) which were degraded severely. What it remarkably differs from the traditional methods is the application of prior knowledge of license plate to the procedure of location, segmentation and recognition. Color collocation is used to locate the license plate in the image. Dimensions of each character are constant, which is used to segment the character of VLPs. The Layout of the Chinese VLP is an important feature, which is used to construct a classifier for recognizing. The experimental results show that the improved algorithm is effective under the condition that the license plates were degraded severely. Index Terms - License plate recognition, prior knowledge, vehicle license plates, neural network. I. INTRODUCTION Vehicle License-Plate (VLP) recognition is a very interesting but difficult problem. It is important in a number of applications such as weight-and-speed-limit, red traffic infringement, road surveys and park security [1]. VLP recognition system consists of the plate location, the characters segmentation, and the characters recognition. These tasks become more sophisticated when dealing with plate images taken in various inclined angles or under various lighting, weather condition and cleanliness of the plate. Because this problem is usually used in real-time systems, it requires not only accuracy but also fast processing. Most existing VLP recognition methods [2], [3], [4], [5] reduce the complexity and increase the recognition rate by using some specific features of local VLPs and establishing some constrains on the position, distance from the camera to vehicles, and the inclined angles. In addition, neural network was used to increase the recognition rate [6], [7] but the traditional recognition methods seldom consider the prior knowledge of the local VLPs. In this paper, we proposed a new improved learning method of BP algorithm based on specific features of Chinese VLPs. The proposed algorithm overcomes the low speed convergence of BP neural network [8] and remarkable increases the recognition rate especially under the condition that the license plate images were degrade severely.

毕业设计文献综述范文

四川理工学院毕业设计（文献综述）红外遥控电动玩具车的设计 学生：程非 学号：10021020402 专业：电子信息工程 班级：2010.4 指导教师：王秀碧 四川理工学院自动化与电子信息学院 二○一四年三月

1前言 1.1 研究方向 随着科技的发展，越来越多的现代化电器走进了普通老百姓的家庭，而这些家用电器大都由红外遥控器操控，过多不同遥控器的混合使用带来了诸多不便。因此，设计一种智能化的学习型遥控器，学习各种家用电器的遥控编码，实现用一个遥控器控制所有家电，已成为迫切需求。首先对红外遥控接收及发射原理进行分析，通过对红外编码理论的学习，设计以MSP430单片机为核心的智能遥控器。其各个模块设计如下：红外遥控信号接收，红外接收器把接收到的红外信号经光电二极管转化成电信号，再对电信号进行解调，恢复为带有一定功能指令码的脉冲编码；接着是红外编码学习，利用单片机的输入捕捉功能捕捉载波的跳变沿，并通过定时器计时记下载波的周期和红外信号的波形特征，进行实时编码；存储电路设计，采用I2C总线的串行E2PROM(24C256)作为片外存储器，其存储容量为8192个字节，能够满足所需要的存取需求；最后是红外发射电路的设计，当从存储模块中获取某红外编码指令后，提取红外信号的波形特征信息并进行波形还原；将其调制到38KHZ的载波信号上，通过三极管放大电路驱动红外发光二极管发射红外信号，达到红外控制的目的。目前，国外进口的万能遥控器价格比较昂贵，还不能真正走进普通老百姓的家中。本文在总结和分析国外设计的基础上，设计一款以MSP430单片机为核心的智能型遥控器，通过对电视机和空调的遥控编码进行学习，能够达到预期的目的，具有一定的现实意义。 1.2 发展历史 红外遥控由来已久，但是进入90年代，这一技术又有新的发张，应用范围更加广泛。红外遥控是一种无线、非接触控制技术，具有抗干扰能力强，信息传输可靠，功耗低，成本低，易实现等显著优点，被诸多电子设备特别是家用电器广泛采用，并越来越多的应用到计算机系统中。 60年代初，一些发达国家开始研究民用产品的遥控技术，单由于受当时技术条件限制，遥控技术发展很缓慢，70年代末，随着大规模集成电路和计算机技术的发展，遥控技术得到快速发展。在遥控方式上大体经理了从有线到无限的超声波，从振动子到红外线，再到使用总线的微机红外遥控这样几个阶段。无论采用何种方式，准确无误传输新信号，最终达到满意的控制效果是非常重要的。最初的无线遥控装置采用的是电磁波传输信号，由于电磁波容易产生干扰，也易受干扰，因此逐渐采用超声波和红外线媒介来传输信号。与红外线相比，超声传感器频带窄，所能携带的信息量少扰而引起误动作。较为理想的是光控方式，逐渐采用红外线的遥控方式取代了超声波遥控方式，出现了红外线多功能遥控器，成为当今时代的主流。 1.3 当前现状 红外线在频谱上居于可见光之外，所以抗干扰性强，具有光波的直线传播特性，不易产生相互间的干扰，是很好的信息传输媒体。信息可以直接对红外光进行调制传输，例如，信息直接调制红外光的强弱进行传输，也可以用红外线产生一定频率的载波，再用信息对载波进调制，接收端再去掉载波，取到信息。从信

毕业设计外文翻译附原文

外文翻译 专业机械设计制造及其自动化学生姓名刘链柱 班级机制111 学号1110101102 指导教师葛友华

外文资料名称： Design and performance evaluation of vacuum cleaners using cyclone technology 外文资料出处：Korean J. Chem. Eng., 23(6), (用外文写) 925-930 (2006) 附件： 1.外文资料翻译译文 2.外文原文

应用旋风技术真空吸尘器的设计和性能介绍 吉尔泰金，洪城铱昌，宰瑾李， 刘链柱译 摘要：旋风型分离器技术用于真空吸尘器 - 轴向进流旋风和切向进气道流旋风有效地收集粉尘和降低压力降已被实验研究。优化设计等因素作为集尘效率，压降，并切成尺寸被粒度对应于分级收集的50％的效率进行了研究。颗粒切成大小降低入口面积，体直径，减小涡取景器直径的旋风。切向入口的双流量气旋具有良好的性能考虑的350毫米汞柱的低压降和为1.5μm的质量中位直径在1米3的流量的截止尺寸。一使用切向入口的双流量旋风吸尘器示出了势是一种有效的方法，用于收集在家庭中产生的粉尘。 摘要及关键词：吸尘器; 粉尘; 旋风分离器 引言 我们这个时代的很大一部分都花在了房子，工作场所，或其他建筑，因此，室内空间应该是既舒适情绪和卫生。但室内空气中含有超过室外空气因气密性的二次污染物，毒物，食品气味。这是通过使用产生在建筑中的新材料和设备。真空吸尘器为代表的家电去除有害物质从地板到地毯所用的商用真空吸尘器房子由纸过滤，预过滤器和排气过滤器通过洁净的空气排放到大气中。虽然真空吸尘器是方便在使用中，吸入压力下降说唱空转成比例地清洗的时间，以及纸过滤器也应定期更换，由于压力下降，气味和细菌通过纸过滤器内的残留粉尘。 图1示出了大气气溶胶的粒度分布通常是双峰形，在粗颗粒（>2.0微米）模式为主要的外部来源，如风吹尘，海盐喷雾，火山，从工厂直接排放和车辆废气排放，以及那些在细颗粒模式包括燃烧或光化学反应。表1显示模式，典型的大气航空的直径和质量浓度溶胶被许多研究者测量。精细模式在0.18?0.36 在5.7到25微米尺寸范围微米尺寸范围。质量浓度为2?205微克，可直接在大气气溶胶和 3.85至36.3μg/m3柴油气溶胶。

人工神经网络的发展及应用

人工神经网络的发展与应用 神经网络发展 启蒙时期 启蒙时期开始于1980年美国著名心理学家W．James关于人脑结构与功能的研究，结束于1969年Minsky和Pape~发表的《感知器》(Perceptron)一书。早在1943年，心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型(即M—P模型)，该模型把神经细胞的动作描述为：1神经元的活动表现为兴奋或抑制的二值变化；2任何兴奋性突触有输入激励后，使神经元兴奋与神经元先前的动作状态无关；3任何抑制性突触有输入激励后，使神经元抑制；4突触的值不随时间改变；5突触从感知输入到传送出一个输出脉冲的延迟时问是0．5ms。可见，M—P模型是用逻辑的数学工具研究客观世界的事件在形式神经网络中的表述。现在来看M—P 模型尽管过于简单，而且其观点也并非完全正确，但是其理论有一定的贡献。因此，M—P模型被认为开创了神经科学理论研究的新时代。1949年，心理学家D．0．Hebb 提出了神经元之间突触联系强度可变的假设，并据此提出神经元的学习规则——Hebb规则，为神经网络的学习算法奠定了基础。1957年，计算机学家FrankRosenblatt提出了一种具有三层网络特性的神经网络结构，称为“感知器”(Perceptron)，它是由阈值性神经元组成，试图模拟动物和人脑的感知学习能力，Rosenblatt认为信息被包含在相互连接或联合之中，而不是反映在拓扑结构的表示法中；另外，对于如何存储影响认知和行为的信息问题，他认为，存储的信息在神经网络系统内开始形成新的连接或传递链路后，新 的刺激将会通过这些新建立的链路自动地激活适当的响应部分，而不是要求任何识别或坚定他们的过程。1962年Widrow提出了自适应线性元件(Ada—line)，它是连续取值的线性网络，主要用于自适应信号处理和自适应控制。 低潮期 人工智能的创始人之一Minkey和pape~经过数年研究，对以感知器为代表的网络系统的功能及其局限性从数学上做了深入的研究，于1969年出版了很有影响的《Perceptron)一书，该书提出了感知器不可能实现复杂的逻辑函数，这对当时的人工神经网络研究产生了极大的负面影响，从而使神经网络研究处于低潮时期。引起低潮的更重要的原因是：20世纪7O年代以来集成电路和微电子技术的迅猛发展，使传统的冯·诺伊曼型计算机进入发展的全盛时期，因此暂时掩盖了发展新型计算机和寻求新的神经网络的必要性和迫切性。但是在此时期，波士顿大学的S．Grossberg教授和赫尔辛基大学的Koho—nen教授，仍致力于神经网络的研究，分别提出了自适应共振理论(Adaptive Resonance Theory)和自组织特征映射模型(SOM)。以上开创性的研究成果和工作虽然未能引起当时人们的普遍重视，但其科学价值却不可磨灭，它们为神经网络的进一步发展奠定了基础。 复兴时期 20世纪80年代以来，由于以逻辑推理为基础的人工智能理论和冯·诺伊曼型计算机在处理诸如视觉、听觉、联想记忆等智能信息处理问题上受到挫折，促使人们

模具毕业设计外文翻译(英文+译文)

Injection Molding The basic concept of injection molding revolves around the ability of a thermoplastic material to be softened by heat and to harden when cooled .In most operations ,granular material (the plastic resin) is fed into one end of the cylinder (usually through a feeding device known as a hopper ),heated, and softened(plasticized or plasticized),forced out the other end of the cylinder, while it is still in the form of a melt, through a nozzle into a relatively cool mold held closed under pressure.Here,the melt cools and hardens until fully set-up. The mold is then opened, the piece ejected, and the sequence repeated. Thus, the significant elements of an injection molding machine become: 1) the way in which the melt is plasticized (softened) and forced into the mold (called the injection unit); 2) the system for opening the mold and closing it under pressure (called the clamping unit);3) the type of mold used;4) the machine controls. The part of an injection-molding machine, which converts a plastic material from a sold phase to homogeneous seni-liguid phase by raising its temperature .This unit maintains the material at a present temperature and force it through the injection unit nozzle into a mold .The plunger is a combination of the injection and plasticizing device in which a heating chamber is mounted between the plunger and mold. This chamber heats the plastic material by conduction .The plunger, on each stroke; pushes unbelted plastic material into the chamber, which in turn forces plastic melt at the front of the chamber out through the nozzle The part of an injection molding machine in which the mold is mounted, and which provides the motion and force to open and close the mold and to hold the mold close with force during injection .This unit can also provide other features necessary for the effective functioning of the molding operation .Moving

外文翻译---人工神经网络

英文文献 英文资料： Artificial neural networks (ANNs) to ArtificialNeuralNetworks, abbreviations also referred to as the neural network (NNs) or called connection model (ConnectionistModel), it is a kind of model animals neural network behavior characteristic, distributed parallel information processing algorithm mathematical model. This network rely on the complexity of the system, through the adjustment of mutual connection between nodes internal relations, so as to achieve the purpose of processing information. Artificial neural network has since learning and adaptive ability, can provide in advance of a batch of through mutual correspond of the input/output data, analyze master the law of potential between, according to the final rule, with a new input data to calculate, this study analyzed the output of the process is called the "training". Artificial neural network is made of a number of nonlinear interconnected processing unit, adaptive information processing system. It is in the modern neuroscience research results is proposed on the basis of, trying to simulate brain neural network processing, memory information way information processing. Artificial neural network has four basic characteristics: (1) the nonlinear relationship is the nature of the nonlinear common characteristics. The wisdom of the brain is a kind of non-linear phenomena. Artificial neurons in the activation or inhibit the two different state, this kind of behavior in mathematics performance for a nonlinear relationship. Has the threshold of neurons in the network formed by the has better properties, can improve the fault tolerance and storage capacity. (2) the limitations a neural network by DuoGe neurons widely usually connected to. A system of the overall behavior depends not only on the characteristics of single neurons, and may mainly by the unit the interaction between the, connected to the. Through a large number of connection between units simulation of the brain limitations. Associative memory is a typical example of limitations. (3) very qualitative artificial neural network is adaptive, self-organizing, learning ability. Neural network not only handling information can have all sorts of change, and in the treatment of the information at the same time, the nonlinear dynamic system itself is changing. Often by iterative process description of the power system evolution. (4) the convexity a system evolution direction, in certain conditions will depend on a particular state function. For example energy function, it is corresponding to the extreme value of the system stable state. The convexity refers to the function extreme value, it has DuoGe DuoGe system has a stable equilibrium state, this will cause the system to the diversity of evolution. Artificial neural network, the unit can mean different neurons process of the object, such as characteristics, letters, concept, or some meaningful abstract model. The type of network processing unit is divided into three categories: input unit, output unit and hidden units. Input unit accept outside the world of signal and data; Output unit of output system processing results; Hidden unit is in input and output unit, not between by external observation unit. The system The connections between neurons right value reflect the connection between the unit strength, information processing and embodied in the network said the processing unit in the connections. Artificial neural network is a kind of the procedures, and adaptability, brain style of information processing, its essence is through the network of transformation and dynamic behaviors have a

毕业设计外文翻译

毕业设计（论文） 外文翻译 题目西安市水源工程中的 水电站设计 专业水利水电工程 班级 学生 指导教师 2016年

研究钢弧形闸门的动态稳定性 牛志国 河海大学水利水电工程学院，中国南京，邮编210098 nzg_197901@https://www.wendangku.net/doc/5616554748.html,，niuzhiguo@https://www.wendangku.net/doc/5616554748.html, 李同春 河海大学水利水电工程学院，中国南京，邮编210098 ltchhu@https://www.wendangku.net/doc/5616554748.html, 摘要 由于钢弧形闸门的结构特征和弹力，调查对参数共振的弧形闸门的臂一直是研究领域的热点话题弧形弧形闸门的动力稳定性。在这个论文中，简化空间框架作为分析模型，根据弹性体薄壁结构的扰动方程和梁单元模型和薄壁结构的梁单元模型，动态不稳定区域的弧形闸门可以通过有限元的方法，应用有限元的方法计算动态不稳定性的主要区域的弧形弧形闸门工作。此外，结合物理和数值模型，对识别新方法的参数共振钢弧形闸门提出了调查，本文不仅是重要的改进弧形闸门的参数振动的计算方法，但也为进一步研究弧形弧形闸门结构的动态稳定性打下了坚实的基础。 简介 低举升力，没有门槽，好流型，和操作方便等优点，使钢弧形闸门已经广泛应用于水工建筑物。弧形闸门的结构特点是液压完全作用于弧形闸门，通过门叶和主大梁，所以弧形闸门臂是主要的组件确保弧形闸门安全操作。如果周期性轴向载荷作用于手臂，手臂的不稳定是在一定条件下可能发生。调查指出:在弧形闸门的20次事故中，除了极特殊的破坏情况下，弧形闸门的破坏的原因是弧形闸门臂的不稳定;此外，明显的动态作用下发生破坏。例如:张山闸，位于中国的江苏省，包括36个弧形闸门。当一个弧形闸门打开放水时，门被破坏了，而其他弧形闸门则关闭，受到静态静水压力仍然是一样的，很明显，一个动态的加载是造成的弧形闸门破坏一个主要因素。因此弧形闸门臂的动态不稳定是造成弧形闸门(特别是低水头的弧形闸门)破坏的主要原是毫无疑问。

人工神经网络题库

人工神经网络 系别：计算机工程系 班级： 1120543 班 学号： 13 号 姓名： 日期：2014年10月23日

人工神经网络 摘要：人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成，由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。 关键词：神经元；神经网络；人工神经网络；智能； 引言 人工神经网络的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method ）得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。 一、人工神经网络的基本原理 1-1神经细胞以及人工神经元的组成 神经系统的基本构造单元是神经细胞，也称神经元。它和人体中其他细胞的关键区别在于具有产生、处理和传递信号的功能。每个神经元都包括三个主要部分:细胞体、树突和轴突。树突的作用是向四方收集由其他神经细胞传来的信息，轴突的功能是传出从细胞体送来的信息。每个神经细胞所产生和传递的基本信息是兴奋或抑制。在两个神经细胞之间的相互接触点称为突触。简单神经元网络及其简化结构如图2-2所示。 从信息的传递过程来看，一个神经细胞的树突，在突触处从其他神经细胞接受信号。 这些信号可能是兴奋性的，也可能是抑制性的。所有树突接受到的信号都传到细胞体进行综合处理，如果在一个时间间隔内，某一细胞接受到的兴奋性信号量足够大，以致于使该细胞被激活，而产生一个脉冲信号。这个信号将沿着该细胞的轴突传送出去，并通过突触传给其他神经细胞.神经细胞通过突触的联接形成神经网络。 图1-1简单神经元网络及其简化结构图 （1）细胞体 （2）树突 （3）轴突 （4）突触

液压系统液压传动和气压传动毕业论文中英文资料对照外文翻译文献综述

中英文资料对照外文翻译文献综述 液压系统 液压传动和气压传动称为流体传动，是根据17世纪帕斯卡提出的液体静压力传动原理而发展起来的一门新兴技术，1795年英国约瑟夫?布拉曼(Joseph Braman,1749-1814)，在伦敦用水作为工作介质，以水压机的形式将其应用于工业上，诞生了世界上第一台水压机。1905年将工作介质水改为油，又进一步得到改善。 第一次世界大战(1914-1918)后液压传动广泛应用，特别是1920年以后，发展更为迅速。液压元件大约在 19 世纪末 20 世纪初的20年间，才开始进入正规的工业生产阶段。1925 年维克斯(F.Vikers)发明了压力平衡式叶片泵,为近代液压元件工业或液压传动的逐步建立奠定了基础。20 世纪初康斯坦丁?尼斯克(G?Constantimsco)对能量波动传递所进行的理论及实际研究;1910年对液力传动(液力联轴节、液力变矩器等)方面的贡献，使这两方面领域得到了发展。 第二次世界大战(1941-1945)期间,在美国机床中有30%应用了液压传动。应该指出,日本液压传动的发展较欧美等国家晚了近 20 多年。在 1955 年前后 , 日本迅速发展液压传动,1956 年成立了“液压工业会”。近20～30 年间，日本液压传动发展之快，居世界领先地位。 液压传动有许多突出的优点，因此它的应用非常广泛，如一般工业用的塑料加工机械、压力机械、机床等；行走机械中的工程机械、建筑机械、农业机械、汽车等；钢铁工业用的冶金机械、提升装置、轧辊调整装置等；土木水利工程用的防洪闸门及堤坝装置、河床升降装置、桥梁操纵机构等；发电厂涡轮机调速装置、核发电厂等等；船舶用的甲板起重机械（绞车）、船头门、舱壁阀、船尾推进器等；特殊技术用的巨型天线控制装置、测量浮标、升降旋转舞台等；军事工业用的火炮操纵装置、船舶减摇装置、飞行器仿真、飞机起落架的收放装置和方向舵控制装置等。 一个完整的液压系统由五个部分组成，即动力元件、执行元件、控制元件、辅助元