发布时间 : 星期五 文章英文翻译更新完毕开始阅读274de7bb0a1c59eef8c75fbfc77da26924c59669
外文参考资料译文
表2 输入和输出参数
使用实验结果来培训网络。在表2可以得到网路的输入参数是质量流量，热水和冷水入口温度，输出参数是传热效率和效力。
在根据质量流量，热水和冷水入口温度的基础上为了确定传热率和有效性，因此在一种前馈，单隐层神经网络中采用了反向传播学习算法。用于这个研究的算法叫Levenberg - Marquardt （长征） 。输入量和输出量在（ 0 ，1 ）范围内是标准化的。物流乙状结肠（ logsig ）传递函数已经被用于隐藏层和输出层。这个传递函数的运用由以下给出：
其中z是输入量的加权总和。
计算机程序是基于MATLAB的环境下使用神经网络工具箱。整整80 ％的数据被用于培训和20 ％的数据被用于测试其神经网络其权重，偏见和隐层号码是多种多样的，以尽量减少输出值和实验数据之间的错误。针对这种应用，配置3-5-2 （ 3输入， 5隐藏和2个输出神经元）似乎是最优化的拓扑（见图3 ） 。在拓扑图的培训过程中均方误差（均方差）的减少情况见图4所示 。
第 5页 （共 12页）
外文参考资料译文
图3 网络配置用于板式换热器的建模
图4 均方误差与训练时代的变化
输出变量值的回归曲线的测试数据集显示在图5和其热传输率和有效性显示在图6。应当指出的是，这些数据是对网络是完全陌生的。对于板式换热器，传热率获得的R2值是0.9994而有效性是0.9976，这个结果是非常令人满意的。
第 6页 （共 12页）
外文参考资料译文
图5 板式换热器的神经网络预测传热率与实际传热率的比较（测试数据集）
图6 板式换热器的神经网络预测与实际效益的有效性的比较（测试数据集）
4.结果和讨论
在这里用到了源自对板式换热器热分析的神经网络模型的数学配方。配置3-5-2
第 7页 （共 12页）
外文参考资料译文
（ 3输入， 5隐藏和2输出神经元）似乎是最优化的拓扑本应用程序。因此，培训后的最佳的网络结构，配方，推导出网络传热率和有效性价值观的使用权和偏见。为了确定板式换热器的传热率和有效性，下面的方程组的使用和来自网络的方法：
在上述方程组中前两个值是乘法的输入参数（单位）的重量在N和位置上不断值（亿元）代表长期的偏见。其中i代表隐藏的神经元的数目。这三个输入参数是：
表3 权系数和偏置值用来确定传热速度和效益的价值
在这里权重n代表输入号码和i 代表隐藏的神经元的数目
表4 输入和输出参数的规范化系数 输入参数 质量流量（m） 第 8页 （共 12页）
1