（定稿）污水处理厂及污水管网建设项目投资立项申报书1（喜欢就下吧）

在网络的实际设计和训练中，总是要加进上述两种方法中的种，或两种同时使用。

本文采用两种算法相结合，即算法，即动量法和学习率自适应调整的策略，从而提高了学习速度并增加了算法的可靠性。

算法为该方法增加的动量项相当于阻尼项，减小了学习过程的振荡趋势，改善了收敛性，而自适应调整学习率有利于缩短学习时间，从表达式可以看出，当连续两次迭代梯度方向相同时，表明下降太慢，这时可使步长加倍当连续两次迭代梯度方向相反时，表明下降太快，这时可使步长减半。

对于训练算法，其训练步骤和算法完全相同，只是其权值修正公式不同。

故障分类器设计模式识别分类器的特点模式识别的分类器设计主要方法及其特点基于决策理论的分类器设计方法主要包括基于最小的决策，基于最小风险的决策，最小最大决策等分类决策方法，就其性能来说，分类器在理论上已被证明是最优的，但这种分类器的设计要求给定各类样本的先验概率密度，对非大量样本问题的分类是困难的，经济上是不合算的。

基于模糊模式识别的分类器设计方法主要包括模糊均值聚类算法和改进的模糊均值聚类算法，与分类方法比较，基于模糊聚类算法的分类方法具有运算快，有较好的鲁棒性，但是可能产生远离样本中心的野值，或对预先设定的聚类中心不敏感。

基于神经网络的分类器设计方法即利用神经网络的逼近能力，将输入特征向量与标准输出量之间的关系通过对神经网络的训练存储在神经网络的权值中，神经网络能很好地解决非线性系统的识别问题，个具有任意压缩型函数的单隐层网络，只要有充分多的隐层单元，就可以任意逼近个有限维的函数，这说明神经网络可以作为通用的函数逼近器。

与分类方法比较，神经网络的应用不需要确定各类样本的先验概率密度，只需要确定神经网络的标准输入与输出量即可，因而是种折衷的方法。

神经网络对于处理环境信息十分复杂背景知识不是很清楚推理规则不明确的分类问题，具有明显的优势。

三相桥式整流装置神经网络分类器模型的建立故障的神经网络识别的实质是整流装置运行状态的识别过程，在应用神经网络进行故障识别时，首先建立用于故障识别的神经网络模型，主要确定输入样本与标准输出量，确定神经网络的类型与规模，然后对神经网络进行训练，通过训练，将标准输入样本与标准输出量的对应关系存储在网络权值中。

故障识别的神经网络分类器模型建立步骤确定输入向量故障信号经小波分析后得到的特征向量可以作为输入向量对网络进行训练。

第五章中触发角为时取得的各故障特征样本形成故障特征矩阵，作为故障诊断的训练输入样本。

确定输出向量对于每种故障情况，都有不同的输出向量相对应。

如表所示。

表神经网络输出编码代码故障元正常三相桥式全控整流装置故障类型共有大类小类，设置芅螈螄芄莇薁肃芃葿螆罿芃薁蕿袅莂芁螅螁羈莃薈蚇羇蒆螃羅羆膅薆羁羆莈袁袇羅蒀蚄螃羄薂蒇肂羃节蚂羈羂莄蒅袄肁蒇蚁螀肁膆蒄蚆肀艿虿肄聿蒁薂羀肈薃螇袆肇芃薀螂肆莅螆蚈肅蒇薈羇膅膇螄袃膄艿薇蝿膃蒂螂螅膂薄蚅肄膁芄蒈羀膀莆蚃袆腿蒈蒆螂腿膈蚂蚈芈芀蒄羆芇莃蚀袂芆薅蒃袈芅芅螈故障状态对应的每个输出向量定为六个元素如，或的格式，其中高三位代表故障类型，低三位代表发生故障的晶闸管，即无故障的时候二进制高三位是代表第类无故障状态，二进制高三位则代表第二类故障有个晶闸管损坏二进制的低三位则表示具体哪个晶闸管损坏，低三位代表晶闸管损坏，代表晶闸管损坏，依次类推。

网络模型的确定在设计网络时，通常应考虑网络的隐层数每层中的神经元即节点个数和激活函数初始值以及学习速率等。

总体设计思路如图所示。

图神经网络的设计思路确定输入输出量测试确定网络层数确定输入输出及隐含层的节点数网络激励函数的选择训练神经网络网络层数确定三层网络可以解决任何非线性分类问题，能够逼近任何有理函数。

对于较复杂的问题，更多层的网络有可能获得更精简的结果，误差也可能更小，但同时也使网络复杂化，增加网络权值的训练时间，而误差精度的提高也可以通过增加隐含层中的节点数来获得，其训练效果也比增加层数更易观察和调整。

本文选用三层网络。

输入输出及隐含层的节点数输入层和输出层的神经元个数般由实际问题决定，即输入层的节点数是实际问题的输入向量的大小，而输出层的节点数是实际问题输出存在的个数。

本论文中用试凑的方法确定隐层的神经元个数。

先设置较少的隐层节点训练网络，然后逐步增加隐层节点数，从中确定网络误差最小时对应的隐层节点数。

在用试凑法时，可用些确定隐层节点数的经验公式。

其中，为隐层节点数，为输入层节点数，为输出层节点数，为之间的常数。

本文中网络输入层节点数为个，输出层节点数为个，隐层初始节点数为个。

网络激励函数的选择网络通常有个或多个隐层，隐层中的神经元均采用型函数，其中包括对数型和双曲正切型。

输出层的神经元般用纯线性函数即函数。

神经网络分类器的训练与仿真结果分析在神经网络的训练过程中，将训练样本输入神经网络，均方误差设定为，经多次调整网络结构选为。

经多次训练调整后达到期望的均方误差。

误差变化曲线图如图所示。

图误差变化曲线图可以看出，神经网络的训练过程中输出的误差逐渐减小，网络经过次迭代计算，达到误差小于的要求，这样就建立了三相桥式全控整流装置故障的神经网络分类器，可以用于故障诊断。

为检验经过训练的神经网络的故障诊断能力，分别使用训练样本集表和表，测试样本集表和表给出两组数据，对网络进行训练和测试。

表训练处理后数据故障元触发角正常表训练处理后数据故障元特征向量正常触发角为时的网络输出值如表和表所示。

表诊断输出结果故障元实际输出诊断结果正常正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确芅芅螈螄芄莇薁肃芃葿螆罿芃薁蕿袅莂芁螅螁羈莃薈蚇羇蒆螃羅羆膅薆羁羆莈袁袇羅蒀蚄螃羄薂蒇肂羃节蚂羈羂莄蒅袄肁蒇蚁螀肁膆蒄蚆肀艿虿肄聿蒁薂羀肈薃螇袆肇芃薀螂肆莅螆蚈肅蒇薈羇膅膇螄袃膄艿薇蝿膃蒂螂螅膂薄蚅肄膁芄蒈羀膀莆蚃袆腿蒈蒆螂腿膈蚂蚈芈芀蒄羆芇莃蚀袂芆薅蒃袈芅占用存储空间较小，适用于提前停止方法，可提高网络的推广能力弹性学习算法，收敛较快，占用存储空间较小，性能随网络训练误差减小而变差螄芄量单元绕点转动的切向惯性力矩与割刀的阻力矩三角摆块的转动惯性力矩方向均相同，他们由驱动力对转动中心的矩来平衡。

由达朗伯原理，可以列出图的静平衡方程。

对图应用质点系动量矩定理可得首先根据结构要求估算各配重的位置，上式结合静平衡方程来确定各个配重质量。

也可以利用计算机总结上述分析方法可以部分求解，也可以联立方程求解，如果利用计算机辅助分析，动态仿真效果会更好。

为确保结论的实用性，应利用测量技术对各种方案进行评述比较，从而得出最优组合方案。

拨禾器的设计衡量作物收获质量好坏的个最主要指标是损失率。

由于收获流程的前后顺序所致，割台损失率首当其冲。

拨禾装置位于收割机的最前端，收获作物时，它扶起并归拢作物，拨向切割器在切割器切割作物时，前方扶持茎秆以防止向前倾倒最后把切断的作物及时推向压扁辊。

分禾是重要的个环节，分禾器如果太长太宽，就会推倒柠条植株，同时，其结构尺寸与整机匹配若不合理，将严重影响整机作业性能。

拨禾轮的结构简单可靠，多用于大中型收割机上的联合收获机上。

但是由于柠条茎秆硬度高切有比较高的柔性，采用拨禾轮的效果不好，且拨禾轮般应用于卧式收割台的结构中，不适用于本设计的立式收割台。

本设计最终采用链式拨禾器，可有效的把柠条拨入切割装置。

这种拨禾器的好处是，在切割过程中不会让柠条乱动，强行切割。

链传动的设计计算选择链轮齿数传动比假设链速，此处省略字。

立辊式柠条压扁输送装置的设计压扁输送装置是柠条前割台的核心，直接影响到整机的各项指标，如损失率切割达标率等。

该装置能在压扁柠条茎秆的同时将茎秆强制喂入滚刀切碎，使压扁辊与滚刀间茎秆输送通畅，不堵塞。

其次，茎秆及茎节被碾压后对切碎和提高饲料的品质起很好的作用。

立辊式压扁输送装置的压扁辊两轴线所在平面与垂直面成前倾夹角，柠条植株由往复式割刀割断后经夹持链输送至压扁辊，通过立式压扁辊压扁。

植株在弧形挡禾板和加持的作用下与压扁辊轴线成角。

由于螺旋线的提升作用，压扁后的植株基本与压扁辊成垂直角度向后输送进切碎滚筒切碎。

茎秆切碎装置的设计立式茎秆切碎装置是本次设计的重点，立式茎秆切碎装置与立辊式压扁输送装置配套实现柠条的收割和粗加，结构简单，茎秆切碎效果好功耗低，能和割台配置紧凑。

现有的设备技术是立式辊配套盘刀或卧式滚刀切碎装置，它不但结构庞大，甩刀则为无支撑切割，动力消耗也大。

立式茎秆切碎装置安装在柠条压扁输送辊的后方，并与机架相连，其驱动部件与收获动力系统相连，且与压扁输送辊有速比约束。

滚筒式切碎刀最初设计为螺旋刃刀片，螺旋刃刀片功率消耗小切碎平稳，但制造工艺复杂，成本高。

到世纪年代末，直刃斜装滚刀在我国得到迅速推广。

收集料斗的设计集料箱设计基本贯彻了国家最新颁发的各种标准，图纸和设计文件完整齐全，符合标准化得要求。

结论设计这款柠条联合收割机，可以对柠条进行收割，并且完成柠条茎秆的粗加工和收集，可以满足广大柠条种植地区对柠条收割的要求，便于后续的加工处理。

但是设计中的经验数据采用类似机械的。

在网络的实际设计和训练中，总是要加进上述两种方法中的种，或两种同时使用。

本文采用两种算法相结合，即算法，即动量法和学习率自适应调整的策略，从而提高了学习速度并增加了算法的可靠性。

算法为该方法增加的动量项相当于阻尼项，减小了学习过程的振荡趋势，改善了收敛性，而自适应调整学习率有利于缩短学习时间，从表达式可以看出，当连续两次迭代梯度方向相同时，表明下降太慢，这时可使步长加倍当连续两次迭代梯度方向相反时，表明下降太快，这时可使步长减半。

对于训练算法，其训练步骤和算法完全相同，只是其权值修正公式不同。

故障分类器设计模式识别分类器的特点模式识别的分类器设计主要方法及其特点基于决策理论的分类器设计方法主要包括基于最小的决策，基于最小风险的决策，最小最大决策等分类决策方法，就其性能来说，分类器在理论上已被证明是最优的，但这种分类器的设计要求给定各类样本的先验概率密度，对非大量样本问题的分类是困难的，经济上是不合算的。

基于模糊模式识别的分类器设计方法主要包括模糊均值聚类算法和改进的模糊均值聚类算法，与分类方法比较，基于模糊聚类算法的分类方法具有运算快，有较好的鲁棒性，但是可能产生远离样本中心的野值，或对预先设定的聚类中心不敏感。

基于神经网络的分类器设计方法即利用神经网络的逼近能力，将输入特征向量与标准输出量之间的关系通过对神经网络的训练存储在神经网络的权值中，神经网络能很好地解决非线性系统的识别问题，个具有任意压缩型函数的单隐层网络，只要有充分多的隐层单元，就可以任意逼近个有限维的函数，这说明神经网络可以作为通用的函数逼近器。

与分类方法比较，神经网络的应用不需要确定各类样本的先验概率密度，只需要确定神经网络的标准输入与输出量即可，因而是种折衷的方法。

神经网络对于处理环境信息十分复杂背景知识不是很清楚推理规则不明确的分类问题，具有明显的优势。

三相桥式整流装置神经网络分类器模型的建立故障的神经网络识别的实质是整流装置运行状态的识别过程，在应用神经网络进行故障识别时，首先建立用于故障识别的神经网络模型，主要确定输入样本与标准输出量，确定神经网络的类型与规模，然后对神经网络进行训练，通过训练，将标准输入样本与标准输出量的对应关系存储在网络权值中。

故障识别的神经网络分类器模型建立步骤确定输入向量故障信号经小波分析后得到的特征向量可以作为输入向量对网络进行训练。

第五章中触发角为时取得的各故障特征样本形成故障特征矩阵，作为故障诊断的训练输入样本。

确定输出向量对于每种故障情况，都有不同的输出向量相对应。

如表所示。

表神经网络输出编码代码故障元正常三相桥式全控整流装置故障类型共有大类小类，设置芅螈螄芄莇薁肃芃葿螆罿芃薁蕿袅莂芁螅螁羈莃薈蚇羇蒆螃羅羆膅薆羁羆莈袁袇羅蒀蚄螃羄薂蒇肂羃节蚂羈羂莄蒅袄肁蒇蚁螀肁膆蒄蚆肀艿虿肄聿蒁薂羀肈薃螇袆肇芃薀螂肆莅螆蚈肅蒇薈羇膅膇螄袃膄艿薇蝿膃蒂螂螅膂薄蚅肄膁芄蒈羀膀莆蚃袆腿蒈蒆螂腿膈蚂蚈芈芀蒄羆芇莃蚀袂芆薅蒃袈芅芅螈