基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf

基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf

ID:54367189

大小:301.57 KB

页数:9页

时间:2020-04-29

基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf_第1页
基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf_第2页
基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf_第3页
基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf_第4页
基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf_第5页
资源描述:

《基于神经网络和D-S证据理论的气液两相流流型识别方法.pdf》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、第57卷第3期化工学报VOl.57NO.32006年3月JOurnalOfChemicalIndustryandEngineering(China)March2006妥、妥妥妥妥、妥妥研究论文妥基于神经网络和D-S证据理论的气液妥、妥妥妥妥、妥两相流流型识别方法周云龙!孙斌(东北电力学院动力系9吉林省吉林市132012)摘要:提出一种运用神经网络和D-S(Dempster-Shafer)证据理论的多特征信息融合的气液两相流流型识别方法.对压差波动信号进行4层小波包分解9提取各频带信号的小波包能量和信息熵构造两个特征向量9再利用统计和分形理论提取压差波动信号的3个统计参数和4个分形参数作为另一

2、个特征向量9然后将这些特征向量送入改进的BP神经网络进行训练9从而实现对流型的识别.以初始识别结果作为彼此独立的证据9根据D-S证据融合规则进行融合处理9得到最终的识别结果.以水平管内空气-水两相流流型识别为例9说明了该方法的具体实现过程.结果表明9多特征信息融合比单一特征的识别方法具有更高的识别率.关键词!气液两相流9小波包变换9BP神经网络9D-S证据理论9流型识别中图分类号!O359.1文献标识码!A文章编号!0438-1157(2006)03-0607-07ldentificationmethodof9as-liCuidtWo-PhasefloWPatternsbasedonneur

3、alnetWorkandD-SevidentialtheoryZHOUYunlon9"SUNBin(DePartmentofThermalPoIer9NortheastChinaInstituteofElectricPoIerEngineering9Jilin1320129Jilin9China)Abstract!BasedOntheneuralnetWOrkandtheD-S(Dempster-Shafer)evidentialtheOry9amethOdWasprOpOsedfOridentifyinggas-liCuidtWO-phaseflOWregimes.Firstly9thed

4、ifferentialpressurefluctuatiOnsignalsWeredecOmpOsedintO4levelsbytheWaveletpackettransfOrm.WaveletpacketenergyandinfOrmatiOnentrOpyOfsignalsinvariOusfreCuencybandsWereextractedandtWOeigenvectOrsWerecOnstructedandthenthethreestatisticalparametersandfOurfractalparametersextractedbythestatisticalandthe

5、fractaltheOriesOfthedifferentialpressurefluctuatiOnsignalsWeretakenasanOthereigenvectOr.FurthermOre9theeigenvectOrsWereputintOtheimprOvedBPneuralnetWOrkandtrainedtOrealizetheflOWregimeidentificatiOn.TakingthepreliminaryidentificatiOnastheindependentevidence9afinalidentificatiOnWasObtainedaccOrdingt

6、OtheD-SevidentialfusiOnalgOrithm.Usingtheair-WatertWO-phaseflOWregimeidentificatiOninthehOrizOntalpipeasanexample9theimplementingprOcessOfthismethOdWasdescribedindetail.TheresultsshOWedthatthemethOdOfmulti-characteristicinfOrmatiOnfusiOncOuldachieveahigheridentificatiOnabilitythanthatOfsinglecharac

7、teristic.KeyWords!gas-liCuidtWO-phaseflOW9WaveletpackettransfOrm9BPneuralnetWOrk9D-SevidentialtheOry9flOWpatternidentificatiOn2005-04-08收到初稿92005-07-18收到修改稿.Receiveddate!2005-04-08.联系人及第一作者!周云龙(1960_)9男9博士9

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。