西安建筑科技大學(xué)優(yōu)秀畢業(yè)設(shè)計(jì)(論文)摘要撰寫格式.doc_第1頁(yè)
西安建筑科技大學(xué)優(yōu)秀畢業(yè)設(shè)計(jì)(論文)摘要撰寫格式.doc_第2頁(yè)
西安建筑科技大學(xué)優(yōu)秀畢業(yè)設(shè)計(jì)(論文)摘要撰寫格式.doc_第3頁(yè)
西安建筑科技大學(xué)優(yōu)秀畢業(yè)設(shè)計(jì)(論文)摘要撰寫格式.doc_第4頁(yè)
西安建筑科技大學(xué)優(yōu)秀畢業(yè)設(shè)計(jì)(論文)摘要撰寫格式.doc_第5頁(yè)
已閱讀5頁(yè),還剩2頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

附件1西安建筑科技大學(xué)優(yōu)秀畢業(yè)設(shè)計(jì)(論文)摘要撰寫格式1 優(yōu)秀畢業(yè)設(shè)計(jì)(論文)應(yīng)包含的內(nèi)容有:畢業(yè)設(shè)計(jì)(論文)的題目、學(xué)生姓名、指導(dǎo)教師姓名、專業(yè)名稱、中英文摘要及關(guān)鍵詞、參考文獻(xiàn)等內(nèi)容。2 中文摘要的字?jǐn)?shù)應(yīng)控制在200300字之間,英文摘要不超過(guò)250個(gè)實(shí)詞。關(guān)鍵詞應(yīng)控制在35個(gè)。中文關(guān)鍵詞之間用“;”隔開(kāi),英文關(guān)鍵詞之間用“,”隔開(kāi)。摘要及關(guān)鍵詞應(yīng)是全篇論文內(nèi)容的提煉、濃縮,請(qǐng)指導(dǎo)教師仔細(xì)審查內(nèi)容,保證質(zhì)量及其準(zhǔn)確性。3 論文中的一級(jí)標(biāo)題、二級(jí)標(biāo)題、三級(jí)標(biāo)題一律采用阿拉伯?dāng)?shù)字分別依序連續(xù)編排序號(hào)。而不采用第一章、第二章或者一、二之類的格式。若還需使用子標(biāo)題,請(qǐng)用(1) (2)。正確格式:1 11111(1)(2)4 論文中的圖、表、公式等一律采用阿拉伯?dāng)?shù)字分別依序連續(xù)編排序號(hào)??梢苑謩e為:圖1、表2、式(5)等。5 優(yōu)秀畢業(yè)設(shè)計(jì)(論文)應(yīng)控制在7頁(yè)以內(nèi)(以A4紙為準(zhǔn))。具體要求格式如下:(1) 論文標(biāo)題:宋體小二 2倍行距 論文副標(biāo)題:宋體小四加粗(2) 學(xué)生姓名、指導(dǎo)教師姓名:宋體小四 行距:固定值21磅 院(系)名稱、專業(yè)名稱:宋體小四(3) 中文摘要、關(guān)鍵詞:宋體小五 行距:固定值15磅 英文摘要、關(guān)鍵詞:Times New Roman小五(4) 一級(jí)標(biāo)題:宋體小四;二級(jí)標(biāo)題:宋體五號(hào)加粗。標(biāo)題行距:固定值25磅。 (5) 正文內(nèi)容:宋體五號(hào),行距:固定值15磅。 (6) 圖標(biāo):宋體五號(hào)(7) 表名:黑體五號(hào)(8) 公式的序號(hào)靠右端對(duì)齊。(9) 參考文獻(xiàn)按標(biāo)準(zhǔn)規(guī)范要求,標(biāo)明出版社、作者、出版時(shí)間等;且必須一一羅列出來(lái),而不能用“”代替;參考文獻(xiàn)的序號(hào)一律用1 2 標(biāo)明。 參考文獻(xiàn):黑體五號(hào)加粗,居中,段前2行。參考文獻(xiàn)內(nèi)容:宋體小五,行距:固定值15磅。 (10)頁(yè)邊距:上 2.54cm,下2.54cm,左3.17cm,右3.17cm。附件2 基于Matlab的神經(jīng)網(wǎng)絡(luò)在工業(yè)用水量預(yù)測(cè)方面的探討學(xué)生姓名:譚 春 指導(dǎo)教師:高 湘(環(huán)境與市政工程學(xué)院 給水排水專業(yè))【摘要】: 工業(yè)用水量預(yù)測(cè)對(duì)工業(yè)企業(yè)的規(guī)劃、運(yùn)行具有非常重要的作用。本文利用陜西某紡織企業(yè)10年的工業(yè)用水量時(shí)間序列記錄資料作為訓(xùn)練樣本,基于Matlab6.1 NNTool中的 Bayesian正則化法建立陜西地區(qū)紡織企業(yè)工業(yè)用水量預(yù)測(cè)模型。結(jié)果表明,由Bayesian法建立的 BP網(wǎng)絡(luò)能較好地反映了紡織企業(yè)用水量規(guī)律?!娟P(guān)鍵詞】:工業(yè)用水量;Bayesian正則化;BP網(wǎng)絡(luò);時(shí)間序列【Abstract】: The predictive amount of water is very important to the program and option of the industrial enterprise. This reference concentrate of the indexes of time series for the amount of water as studying sample,which is in textile business enterprise in Shanxi province. Based on the Bayesian regularization algorithm from Matlab6.1 NNTool,it establish the model the amount of water in textile business enterprise in Shanxi province. The result shows, the network of BP which is set up by Bayesian algorithm greatly reflects the regulation amount of water for the textile business enterprise . 【Key words】: The amount of water for the industrial enterprise,Bayesian regularization algorithm,BP network,Time sequence 1 引言城市工業(yè)用水量在城市總用水量中占有較大比例,其預(yù)測(cè)的準(zhǔn)確度對(duì)城市規(guī)劃中的重大工業(yè)項(xiàng)目選址、工業(yè)結(jié)構(gòu)調(diào)整及城市工業(yè)政策制定等具有重要影響。同時(shí),企業(yè)掌握未來(lái)用水量的需求,對(duì)水污染的防御和控制有方向性的指導(dǎo)作用,有助于企業(yè)開(kāi)展節(jié)約用水工作,為優(yōu)化改建提供最必要的資料。由于影響工業(yè)企業(yè)用水量的因素很多,各因素與用水量之間呈現(xiàn)復(fù)雜的非線性關(guān)系,因而要將各種因素歸于同一回歸方程是相當(dāng)困難的,而且樣本序列不可避免的含有噪聲。傳統(tǒng)的統(tǒng)計(jì)模式加經(jīng)驗(yàn)指標(biāo)的數(shù)據(jù)處理方法已不能較好的解決這一問(wèn)題。近幾年來(lái),人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,以下簡(jiǎn)稱) 廣泛應(yīng)用于目前的水資源研究,涉及的具體領(lǐng)域包括氣候影響分析、水質(zhì)分析、水文預(yù)測(cè)與預(yù)報(bào)、地下水管理和水庫(kù)優(yōu)化調(diào)度等。1.1 建模思路工業(yè)用水量為一維的時(shí)間序列數(shù)據(jù),可設(shè)為Q1,Q2,Qn,其中n為用水量隨時(shí)間推移的實(shí)測(cè)值,預(yù)測(cè)模型可表示為: Qt=f(Qn) (1) 工業(yè)用水量時(shí)間序列預(yù)測(cè)模型的建立就是尋找f()的過(guò)程。根據(jù)Robert Hecht-Nielson理論,一個(gè)三層的BP網(wǎng)絡(luò)可以以任意精度完成n維到m維的映射。因此,只要選取合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),使用BP網(wǎng)絡(luò)即可較精確的反映出函數(shù)f()。從這個(gè)意義上來(lái)說(shuō),建立預(yù)測(cè)模型主要應(yīng)用的是神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近功能。與傳統(tǒng)的數(shù)據(jù)擬合方式不同的是,所逼近的函數(shù)f()的描述方式是隱含的。將預(yù)處理的用水量時(shí)間序列作為學(xué)習(xí)樣本輸入BP網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),網(wǎng)絡(luò)在反復(fù)多次訓(xùn)練中對(duì)自身結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化,以記憶學(xué)習(xí)樣本所含信息,并獲得聯(lián)想的能力,訓(xùn)練完成后得到穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)、連接權(quán)值和閾值1。1.2 BP的經(jīng)典理論BP算法是利用實(shí)際輸出與期望輸出之差,對(duì)網(wǎng)絡(luò)的各層連接權(quán)值和各節(jié)點(diǎn)的閾值由后向前逐層校正的一種多層前饋型神經(jīng)網(wǎng)絡(luò)。根據(jù)最小二乘原理和梯度搜索技術(shù),先通過(guò)正向傳播,輸入信息要先向前從輸入層節(jié)點(diǎn)傳播到隱含層節(jié)點(diǎn),經(jīng)過(guò)作用函數(shù)后,再把隱含層節(jié)點(diǎn)的輸出信息傳播到輸出層節(jié)點(diǎn),最后給出輸出結(jié)果。如果在輸出層得不到期望輸出,則轉(zhuǎn)向反向傳播,將誤差信號(hào)沿原來(lái)的連接通路返回,通過(guò)修改各層神經(jīng)單元(節(jié)點(diǎn))的權(quán)系數(shù)(Weight)和閾值(Threshold),使得誤差信號(hào)最小。如下所示:令=1,2,nT,=1,2,nT分別為網(wǎng)絡(luò)的實(shí)際輸出(input)和期望輸出(target);為網(wǎng)絡(luò)的目標(biāo)函數(shù): p()=1/2 (jp-jp)2 (2)隱含層和輸出層節(jié)點(diǎn)的凈輸入都是前一層節(jié)點(diǎn)輸出的加權(quán)和。每一節(jié)點(diǎn)的激活程度由它的輸入信號(hào)、傳遞函數(shù)和節(jié)點(diǎn)的偏置(閾值)來(lái)決定2。圖1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖1.3 Bayesian正則化算法Bayesian正則化法(Bayesian Regularization)是避免神經(jīng)網(wǎng)絡(luò)過(guò)擬合現(xiàn)象的常用方法。過(guò)擬合(overfitting)是指網(wǎng)絡(luò)訓(xùn)練精度很高,但推廣檢驗(yàn)樣本精度較差,也稱為網(wǎng)絡(luò)的泛化能力差。如果神經(jīng)網(wǎng)絡(luò)的規(guī)模遠(yuǎn)遠(yuǎn)小于訓(xùn)練樣本集的大小,則發(fā)生過(guò)擬合的機(jī)會(huì)就很小。正則化方法就是通過(guò)修正網(wǎng)絡(luò)的訓(xùn)練性能參數(shù)來(lái)減小網(wǎng)絡(luò)的規(guī)模從而提高其推廣能力。標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能函數(shù)采用均方誤差函數(shù)mse,即 (3)式中ei預(yù)測(cè)值與實(shí)際值的誤差;N樣本對(duì)的個(gè)數(shù)。在Bayesian正則化方法中,網(wǎng)絡(luò)性能參數(shù)經(jīng)改進(jìn)變?yōu)槿缦滦问剑?(4)式中為比例系數(shù),msw為所有網(wǎng)絡(luò)權(quán)值平方和的平均值,即 (5)通過(guò)采用新的性能指標(biāo)函數(shù)msereg,可以在保證網(wǎng)絡(luò)訓(xùn)練誤差盡可能小的情況下使網(wǎng)絡(luò)具有較小的權(quán)值,即使得網(wǎng)絡(luò)的有效權(quán)值盡可能少,這實(shí)際上相當(dāng)于自動(dòng)縮小了網(wǎng)絡(luò)的規(guī)模。常規(guī)的正則化方法通常很難確定比例系數(shù)的大小,而B(niǎo)ayesian正則化方法則可以在網(wǎng)絡(luò)訓(xùn)練過(guò)程中自適應(yīng)調(diào)節(jié)的大小,并使其達(dá)到最優(yōu)。在NNTool中,貝葉斯正則化方法是通過(guò)trainbr函數(shù)來(lái)實(shí)現(xiàn)的。它依據(jù)Levenberg-Marquardt優(yōu)化理論對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整2。2 預(yù)測(cè)模型的建立2.1 樣本分析及數(shù)據(jù)預(yù)處理本文使用西安市某紡織企業(yè)1992年2001年10年的工業(yè)用水量實(shí)際監(jiān)測(cè)值。對(duì)于一個(gè)時(shí)間變量的非平穩(wěn)隨機(jī)時(shí)間序列,用傳統(tǒng)的非線性函數(shù)逼近方法很難實(shí)現(xiàn),如圖2所示。圖219922001某企業(yè)的工業(yè)用水量預(yù)處理學(xué)習(xí)樣本是為了增加網(wǎng)絡(luò)權(quán)值和閾值對(duì)各因子數(shù)值變化的靈敏度。對(duì)輸入樣本進(jìn)行歸一化處理,使數(shù)值差距較大的輸入都落在神經(jīng)元轉(zhuǎn)換函數(shù)梯度最大的區(qū)域。對(duì)于工業(yè)用水量時(shí)間序列=(1,2,T),令i=i/i,得到=(1,2,t)。 (6)經(jīng)過(guò)上述變換后,影響因子都轉(zhuǎn)換到1,1范圍內(nèi)3。2.2 樣本對(duì)的劃分設(shè)整個(gè)的有效樣本數(shù)據(jù)總數(shù)為T,將T個(gè)樣本分成訓(xùn)練集(training set)和測(cè)試集(test set)2個(gè)集合。設(shè)兩個(gè)集合的數(shù)據(jù)個(gè)數(shù)分別為k、Tk。訓(xùn)練集數(shù)據(jù)用于更新網(wǎng)絡(luò)權(quán)重和偏置量;測(cè)試集用作對(duì)未知樣本進(jìn)行測(cè)試并檢驗(yàn)網(wǎng)絡(luò)的計(jì)算精度。樣本對(duì)的構(gòu)成思路如下:要預(yù)測(cè)某年某月的用水量,可以以當(dāng)年該月的前m個(gè)月的用水量為訓(xùn)練集,即輸入m個(gè)影響變量。例如: 以94年3月份的用水量為基準(zhǔn),采用94年1、2月份,93年11、12月份四個(gè)用水?dāng)?shù)據(jù)作為輸入矢量集,94年3月份用水?dāng)?shù)據(jù)作為期望輸出,得到一組樣本對(duì)的映射。以此類推,可得到m(km)的輸入矩陣和1(km)的目標(biāo)矩陣。在本文中:10年的數(shù)據(jù)按時(shí)間序列排列有120個(gè)數(shù)據(jù),將前70個(gè)數(shù)據(jù)作為訓(xùn)練集,用于模型的建立;后50個(gè)作為測(cè)試集,用于模型的檢驗(yàn)和預(yù)報(bào)效果的評(píng)估??紤]到工業(yè)用水的特點(diǎn),取m12較好。3 水量預(yù)測(cè)模型的應(yīng)用3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的優(yōu)化將處理好的學(xué)習(xí)集數(shù)據(jù)輸入Matlab數(shù)值計(jì)算軟件,應(yīng)用貝葉斯正則化函數(shù)trainbr對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化。輸入層含有m個(gè)影響因子,故BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為mx1。隱層節(jié)點(diǎn)數(shù)的選擇在目前還沒(méi)有理論上公認(rèn)的推導(dǎo)方法。大多通過(guò)反復(fù)學(xué)習(xí),在相同總體誤差情況下,選擇收斂最快的;或用不同的x值訓(xùn)練網(wǎng)絡(luò),最佳x個(gè)數(shù)由網(wǎng)絡(luò)訓(xùn)練的最小系統(tǒng)誤差確定出。通過(guò)網(wǎng)絡(luò)調(diào)試試驗(yàn),結(jié)果表明:當(dāng)在x25 時(shí)網(wǎng)絡(luò)能使測(cè)試集誤差降至允許誤差范圍內(nèi)。最終構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示:圖3 構(gòu)建的BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖(為權(quán)重,為偏置)另外,通過(guò)多次的對(duì)比分析,可得到最佳網(wǎng)絡(luò)參數(shù)的具體內(nèi)容如下所示:net.trainParam.show=5; %顯示訓(xùn)練結(jié)果的間隔步數(shù)net.trainParam.epochs1000; 最大訓(xùn)練步數(shù)net.trainParam.goal0.0001; %訓(xùn)練目標(biāo)誤差net.trainParam.mu=0.0002; %學(xué)習(xí)系數(shù)的初始值,Marquardt調(diào)整參數(shù)net.trainParam.mu_dec=0.1; %學(xué)習(xí)系數(shù)的下降因子net.trainParam.mu_inc=10; %學(xué)習(xí)系數(shù)的上升因子net.trainParam.mu_max=1000000;%學(xué)習(xí)系數(shù)的最大值net.trainParam.min_grad=1e-10; %訓(xùn)練中最小允許梯度值3.2 計(jì)算結(jié)果與分析由于陜西地區(qū)的紡織行業(yè)發(fā)展較早,各級(jí)主管部門較為重視,企業(yè)生產(chǎn)用水量數(shù)據(jù)詳實(shí)、可靠性較高。十年中只有兩三個(gè)月份沒(méi)有真實(shí)記載,在數(shù)據(jù)預(yù)處理時(shí)采用內(nèi)插法估計(jì)出該月的用水量。因此該企業(yè)工業(yè)用水量時(shí)間序列基本能較客觀地反映陜西省紡織工業(yè)生產(chǎn)用水狀況。在P4 cpu1.60GHz計(jì)算機(jī)上操作,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)該紡織企業(yè)用水量模型的實(shí)際數(shù)據(jù)與預(yù)測(cè)結(jié)果如表1所示。表1原始數(shù)據(jù)、經(jīng)平滑后的原始數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)表年份月份1998實(shí)際1998平滑1998預(yù)測(cè)1999實(shí)際1999平滑1999預(yù)測(cè)2000實(shí)際2000平滑2000預(yù)測(cè)2001實(shí)際2001平滑2001預(yù)測(cè)一月25.725.0523.33082624.3524.806224.322.3522.16121.822.422.1958二月26.225.9522.777920.623.324.225719.72221.960522.522.1521.9051三月28.227.224.632421.721.1522.694720.720.221.726123.823.1522.7801四月26.327.2525.149325.123.423.038423.422.0522.672524.123.9522.9211五月20.923.623.602422.92423.527519.521.4522.277623.823.9523.5373六月25.12324.421625.624.2525.641922.621.0523.655823.823.824.2438七月28.426.7526.04228.326.9527.338226.224.425.8152725.425.0587八月27.828.126.85427.227.7526.511324.425.325.207925.426.225.2806九月27.327.5527.253927.327.2526.084425.124.7524.792722.523.9523.7123十月23.925.624.687123.125.224.201222.523.823.195721.121.821.9707十一月21.722.822.297220.421.7521.629821.822.1521.45532121.0521.0872十二月22.722.222.913120.420.421.24142322.422.3872020.520.9595在這里,我們將實(shí)際數(shù)據(jù)資料作了初步的平滑處理,消除一些較明顯的噪聲,有利于預(yù)測(cè)效果的比較;將對(duì)部分訓(xùn)練集的仿真也列如圖4中,可以觀察網(wǎng)絡(luò)的泛化能力??梢园l(fā)現(xiàn),經(jīng)過(guò)trainbr函數(shù)訓(xùn)練,網(wǎng)絡(luò)對(duì)噪聲不敏感,具有較好的推廣能力。圖4 19982001年訓(xùn)練及預(yù)測(cè)變化曲線和實(shí)際曲線對(duì)比圖圖5 預(yù)測(cè)絕對(duì)誤差變化曲線圖3.3 結(jié)論從表1來(lái)看, BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的合格率在85%以上(相對(duì)誤差值5%為合格),計(jì)算值與實(shí)測(cè)值的變化趨勢(shì)基本吻合。圖5的誤差曲線呈隨機(jī)波動(dòng)狀態(tài),說(shuō)明訓(xùn)練、預(yù)測(cè)結(jié)果的偏差無(wú)顯著的趨勢(shì)。因此, BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在工業(yè)用水量等的中長(zhǎng)期預(yù)測(cè)領(lǐng)域內(nèi)具有良好的應(yīng)用前景。在網(wǎng)絡(luò)建立和調(diào)試過(guò)程中,還得出以下結(jié)論:(1)單隱層的函數(shù)逼近效果優(yōu)于雙隱層;使用雙隱層或增加神經(jīng)元個(gè)數(shù)都會(huì)大幅度的增加訓(xùn)練時(shí)間。(2)不能過(guò)于追求較小的誤差訓(xùn)練目標(biāo)(goal)。過(guò)小的goal值會(huì)使網(wǎng)絡(luò)陷入局部最小點(diǎn),即過(guò)擬合

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論