基於神經網路溫度

Ⅰ 神經網路在進行負荷預測時,氣候和溫度數據怎麼處理

氣候數據可以用來做數值化，即晴天為1，雨天為2等，溫度數據做歸一化

Ⅱ 格力空調的e享模式是什麼

智能感應調節模式。

格力空調的E享模式是該類型空調的智能感應調節模式，開啟該模式後空調能夠通過空調溫度感測器對室內溫度、氣流組織進行對應模式的智能調節，讓人體感覺舒適。

與普通空調不同，格力全能王的E享功能，採用格力首創的融合環境感測器；這個功能是採用基於PMV的尖端神經網路控制技術，只需按「E享」鍵，就可以選擇快速冷、涼、舒適、暖、熱5種溫度模式。

格力空調e享模式溫度

格力空調e享模式是自動設定溫度在26到28度之間，可以避免設置的過低一直運行。

1、格力空調e享模式由於是基於空調自帶的環境感測器，會根據環境溫度自動改變，能夠很好地避免溫度設置過低且一直運行，減少噪音和空氣流動量，讓睡眠更舒適。

2、格力空調e享,運用的是基於PMV的*神經網路控制技術,可以檢測到室內的溫度,然後根據室內的溫度來調節空調的溫度。所以對於很多用戶來說，格力空調e享功能十分的智能話，使用起來也非常的簡單和實用。

3、所以在使用的過程中，只要簡單地按動e享按鍵，就可以進入到e享模式，然後可以根據目前的需要，選擇五種溫度模式中的一種即可，十分的簡單方便。

Ⅲ 只有溫度數據怎麼建立rbf神經網路模型

該網路的輸出是什麼？RBF神經網路的建立和訓練主要有以下幾種形式：

1.net=newrbe(P,T,spread)
newrbe()函數可以快速設計一個徑向基函數網路，且是的設計誤差為0。第一層(徑向基層)神經元數目等於輸入向量的個數，加權輸入函數為dist，網路輸入函數為netprod；第二層(線性層)神經元數模有輸出向量T確定，加權輸入函數為dotprod，網路輸入函數為netsum。兩層都有閥值。
第一層的權值初值為p'，閥值初值為0.8326/spread，目的是使加權輸入為±spread時徑向基層輸出為0.5，閥值的設置決定了每一個徑向基神經元對輸入向量產生響應的區域。

2.[net,tr] =newrb(P,T,goal,spread,MN,DF)

該函數和newrbe一樣，只是可以自動增加網路的隱層神經元數模直到均方差滿足精度或者神經元數模達到最大為止。

P=-1:0.1:1;
T=sin(P);
spread=1;
mse=0.02;
net=newrb(P,T,mse,spread);
t=sim(net,P);
plot(P,T,'r*',P,t)

3.還可以直接建立廣義RBF神經網路：net = newgrnn(P,T,spread)泛回歸網路(generalized regression neural network)廣義回歸網路主要用於函數逼近。它的結構完全與newbre的相同，但是有以下幾點區別(沒有說明的表示相同)：

(1)第二網路的權值初值為T
(2)第二層沒有閥值
(3)第二層的權值輸入函數為normpod，網路輸入函數為netsum

P=0:1:20;
T=exp(P).*sin(P);
net=newgrnn(P,T,0.7);
p=0:0.1:20;
t=sim(net,p);
plot(P,T,'*r',p,t)

Ⅳ 基於BP神經網路PID控制器的過熱氣溫串級控制系統模擬時，導前區和惰性區都要近似為一階慣性純滯後么

當然可以這么做，但是模擬的效果必定要大打折扣。就不說導前區，惰性區三階就是高階模擬對象了，將其近似為一階或二階純滯後也是一種解決方案，可是其控制特性會有較大的差別。

Ⅳ 在用神經網路進行壓力感測器的溫度補償時輸入為什麼不用溫度值而是用溫度感測器的輸出電壓值

溫度感測器的電壓值不就是反映的溫度值么？沒有溫度感測器的檢測輸出你的溫度值又從何而來？

Ⅵ 汽輪機主蒸汽溫度壓力變化對汽輪機運行影響有哪些

主蒸汽溫度壓力變化對汽輪機運行的影響有：

1、主蒸汽壓力升高：在機組額定功率下初壓升高後蒸汽流量有所減少，各監視段壓力相應降低，各中間級焓降基本保持不變，因此主蒸汽流量減少各中間級動葉應力均有所下降，隔板的壓差和軸向推力也都有所減少。調節級前後壓差雖有上升，但其危險工況不在額定負荷，

因此調節級和中間各級在主蒸汽壓力上升時都是安全的。對於末幾級葉片，由於前後壓差的減小(級前壓力減小)，級的焓降減少，從強度觀點看末幾級葉片也是安全的。

當然，主蒸汽壓力也不能過高，否則有可能造成機組過負荷，隔板、動葉過負荷及機組軸向位移大、推力軸承故障等不安全情況的發生。

2、主蒸汽壓力下降：在主蒸汽壓力下降後機組仍要發出額定功率，則主蒸汽流量會相應增加。因此會引起非調節級各級級前壓力升高，而末幾級焓降增大，因此非調節級各級的負荷都有所增加，

末幾級過負荷最為嚴重，全機的軸向推力也相應增大。因此運行中主蒸汽壓力下降機組應適當帶負荷。

3、主蒸汽溫度升高：主蒸汽溫度升高從經濟性角度來看對機組是有利的，它不僅提高了循環熱效率，而且減少了汽輪機的排汽濕度。但從安全形度來看，主蒸汽溫度的上升會引起金屬材料性能惡化縮短某些部件的使用壽命，如主汽閥、調節閥、軸封、法蘭、螺栓以及高壓管道等。

對於超高參數機組，即使主蒸汽溫度上升不多也可能引起金屬急劇的蠕變，使許用應力大幅度的降低。因此絕大多數情況下不允許升高初溫運行的。

4、主蒸汽溫度降低：在機組額定負荷下主蒸汽溫度下降將會引起蒸汽流量增大，各監視段壓力上升。此時調節級是安全的，但是非調節級尤其是最末幾級焓降和主蒸汽流量同時增大將產生過負荷，是比較危險的。

同時，蒸汽溫度下降會引起末幾級葉片濕度的增加，增大了濕汽損失，同時也加劇了末幾級葉片的沖蝕作用，直接威脅倒汽輪機的安全運行。因此，在主蒸汽溫度降低的同時應降低壓力，是汽輪機熱力過程線盡量與設計工況下的熱力過程線重合，以提高機組排汽干度。

因此機組的功率限制較大，必要時應申請減負荷運行。

5、當使用射汽抽氣時，應先進行蒸汽暖管，再投入主抽氣器和啟動抽氣器。現在一般在我國都採用射水抽氣器，應先啟動射水泵，射水泵啟動前應作聯動試驗，正常後使一台運行一台備用，以使凝汽器逐漸建立起真空。

機組啟動時，真空值應高一些，以減少汽輪機轉子沖動阻力和啟動汽耗，另外排汽溫度低，對剛建投運的凝汽器也較為有利。但真空值也不易過高，因真空過高會延長啟動時間，主要因為真空值過高時，所需進汽量少，對汽輪機加熱不利。目前我國啟動真空一般為350-450mmHg。

(6)基於神經網路溫度擴展閱讀：

主汽溫控制方法

常規的主汽溫控制方法分為導前汽溫微分信號的雙沖量汽溫控制、串級汽溫控制、分段汽溫控制及相位補償汽溫控制幾種。但是，隨著機組容量的逐漸增大，常規控制方法已經不能得到足夠滿意的控制質量，同時，由於工業過程逐漸復雜化，單一控制技術也遠遠無法達到要求。

因此，結合先進的控制理論和控制演算法將成為今後研究的一大趨勢。近幾年已經出現了一些相類似的控制方法，主要有以下兩類：一類是先進控制演算法與傳統控制方法相結合，另一類是先進控制演算法之間的結合。主要包括 ：

1、Smith預估控制及其改進型。

2、基於神經網路理論的各種控制策略，諸如單神經元控制器取代主蒸汽溫度串級PID控制中主調節器的策略、基於BP神經網路提出主蒸汽溫度的串級智能控制等。

3、基於模糊控制理論的各種控制策略，

諸如主蒸汽溫度的模糊PID控制、模糊控制與基於專家系統整定的串級PID控制相結合的復合控

制策略，主蒸汽溫度的Fuzzy-PI復合控制策略等。

4、基於狀態反饋的控制策略，例如：基於現代控制理論中狀態反饋控制原理的分級控制方法、狀態反饋控制與串級PID控制相結合的主蒸汽溫度控制策略、將狀態反饋引入到鍋爐主蒸汽溫度中的一種多迴路串級控制方法等。

5、其它控制策略，諸如基於魯棒控制原理改進主蒸汽溫度串級PID控制策略並指出在DCS系統中的實現方法、用預測智能控制器作為串級控制的主調節器以改善主蒸汽溫度的遲延特性等。

我們所接觸的是一個復雜多變的系統，難以建立被控對象的精確模型，而傳統控制方法往往需要建立一個精確的數學模型。同時，由於一些被控對象帶有大遲延和大慣性的動態特性,因而即使建立了數學模型，通常也不如一個有經驗的操作人員進行手動控制效果好。

從20世紀七十年代開始，生物控制理論逐漸引起研究者的重視並迅速發展。目前神經網路控制已經發展得比較成熟，但是基於神經內分泌系統的生物智能控制理論研究才剛剛起步。

作為人體各種激素調節中心，神經內分泌系統具有較好的穩定性和適應性，通過將模糊理論與神經內分泌反饋調節機制演算法相結合，優勢互補，並應用於PID控制器中，可以對鍋爐主汽溫系統的對象特性和一般控制規律進行分析。

Ⅶ 格力空調e享模式

格力空調e享模式自動將溫度設置在26-28度之間，可以避免設置過低而一直運行。1.格力空調e享模式是基於空調的環境感測器，會根據環境溫度自動變化，可以很好的避免低溫設置而保持運行，降低噪音和氣流，讓睡眠更加舒適。2.格力空調e享，採用基於PMV的*神經網路控制技術，可以檢測室內溫度，然後根據室內溫度調節空調溫度。所以對於很多用戶來說，格力空調E享非常智能的功能，用起來也非常簡單實用。3.所以在使用的過程中，只需按下E享鍵就可以進入E享模式，然後就可以根據當前的需求在五種溫度模式中選擇一種，非常簡單方便。

Ⅷ 壓力感測器神經網路溫度補償，輸入：溫度的輸出電壓值Ut，壓力的輸出電壓值Up，輸出：壓力值P

力士樂1602790297@qq.com

Ⅸ 求matlab的神經網路對實驗數據進行擬合程序

%你沒說神經網路類型，就使用最簡單的前向反饋網路擬合。
t=[0 3.9 4.1 7.3 8.4 13.1 14.8 16.4 17.7 19 19.7 20.3 21.2 24.5 26.3 27.8 28.9 29 29.8 31.1 32.8 33.5 34.5 35.6 36.2 37.6 37.8 38.7 39.4 40.3 41 41.4 42.5 43.9 45 45.7 46.9 47.8 49 49.4 51.4 53 54 55.6 56.9 57.5 58.9 ];%這里發現t有49個數據,而R就47個，因此將後兩個刪除
R=[100.16 101.87 101.97 102.99 103.43 105.23 105.89 106.54 107.01 107.52 107.77 108.01 108.39 109.64 110.33 110.90 111.32 111.41 111.86 112.53 112.63 113.10 113.52 113.94 114.39 114.52 114.92 115.26 115.87 115.90 116.27 116.96 117.32 117.71 118.13 118.34 118.62 118.96 119.59 120.20 120.68 121.33 121.90 122.17 122.94 123.27 123.85];
net = newff(t,R,20);%隱層預設20個
net = train(net,t,R);
simplefitOutputs = sim(net,t);

Ⅹ 如何用matlab構建一個三層bp神經網路模型，用於預測溫度。

第0節、引例
本文以Fisher的Iris數據集作為神經網路程序的測試數據集。Iris數據集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set 找到。這里簡要介紹一下Iris數據集：
有一批Iris花，已知這批Iris花可分為3個品種，現需要對其進行分類。不同品種的Iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度會有差異。我們現有一批已知品種的Iris花的花萼長度、花萼寬度、花瓣長度、花瓣寬度的數據。
一種解決方法是用已有的數據訓練一個神經網路用作分類器。
如果你只想用C#或Matlab快速實現神經網路來解決你手頭上的問題，或者已經了解神經網路基本原理，請直接跳到第二節——神經網路實現。

第一節、神經網路基本原理
1. 人工神經元( Artificial Neuron )模型
人工神經元是神經網路的基本元素，其原理可以用下圖表示：

圖1. 人工神經元模型

圖中x1~xn是從其他神經元傳來的輸入信號，wij表示表示從神經元j到神經元i的連接權值，θ表示一個閾值 ( threshold )，或稱為偏置( bias )。則神經元i的輸出與輸入的關系表示為：

圖中 yi表示神經元i的輸出，函數f稱為激活函數 ( Activation Function )或轉移函數 ( Transfer Function ) ，net稱為凈激活(net activation)。若將閾值看成是神經元i的一個輸入x0的權重wi0，則上面的式子可以簡化為：

若用X表示輸入向量，用W表示權重向量，即：
X = [ x0 , x1 , x2 , ....... , xn ]

則神經元的輸出可以表示為向量相乘的形式：

若神經元的凈激活net為正，稱該神經元處於激活狀態或興奮狀態(fire)，若凈激活net為負，則稱神經元處於抑制狀態。
圖1中的這種「閾值加權和」的神經元模型稱為M-P模型 ( McCulloch-Pitts Model )，也稱為神經網路的一個處理單元( PE, Processing Element )。

2. 常用激活函數
激活函數的選擇是構建神經網路過程中的重要環節，下面簡要介紹常用的激活函數。
(1) 線性函數 ( Liner Function )

(2) 斜面函數 ( Ramp Function )

(3) 閾值函數 ( Threshold Function )

以上3個激活函數都屬於線性函數，下面介紹兩個常用的非線性激活函數。
(4) S形函數 ( Sigmoid Function )

該函數的導函數：

(5) 雙極S形函數

該函數的導函數：

S形函數與雙極S形函數的圖像如下：

圖3. S形函數與雙極S形函數圖像
雙極S形函數與S形函數主要區別在於函數的值域，雙極S形函數值域是(-1,1)，而S形函數值域是(0,1)。
由於S形函數與雙極S形函數都是可導的(導函數是連續函數)，因此適合用在BP神經網路中。（BP演算法要求激活函數可導）
具體http://blog.csdn.net/gongxq0124/article/details/7681000/