排序方式: 共有105条查询结果,搜索用时 15 毫秒
101.
102.
针对传统三氯化磷生产存在工艺控制复杂、安全性差、对设备腐蚀严重等问题,研究了一种以黄磷和液氯为原料,通过微反应技术直接合成三氯化磷的新方法。该方法通过使用微反应技术对反应的影响因素实现精确控制,来保证磷氯的瞬间混合和高效的传质传热,从而达到在反应安全可控的条件下大幅提高反应速率的目标。对反应物料配比、温度、停留时间、回流比等因素进行了单因素条件实验,得到磷氯配料比为0.35∶1(质量比)、反应环境介质温度为75℃、反应停留时间为60 s和回流比为2是比较适宜的条件。新方法将反应停留时间缩短至60 s,而且收率达到90%以上,产品质量满足优级品标准,并且可以实现产品的安全、连续化生产。 相似文献
103.
针对外界环境因素快速变化时,光伏发电系统难以保持在最大功率点输出的问题,提出遗传算法与GRU神经网络相结合的最大功率跟踪算法(GA-GRU-MPPT)。该算法在构建的最大功率点预测模型基础上,采用遗传算法对GRU神经网络的参数进行优化。考虑到数据的关联性,将前一时刻的太阳电池温度、太阳辐照度、最大功率点电压及当前时刻的太阳电池温度和太阳辐照度作为预测模型的输入变量,输出为当前时刻的最大功率点电压。针对3种不同气候情形的仿真结果表明,该算法跟踪精度可达99%,能显著提高光伏系统的能量转换效率。 相似文献
104.
特征选择(Feature Selection,FS)是一种有效的数据预处理方法,它可以通过选择高维数据中一组具有高相关性和低冗余性的特征,从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题,其中基于教与学优化(Teaching and Learning-based Optimization Algorithm,TLBO)的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而,随着数据规模的不断扩大,这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性,使算法的研究逐步陷入困境.为解决上述问题,本文提出了融合教与学优化算法与局部搜索方法(Local Search,LS)的混合进化Wrapper算法模型(Teaching and Learning-based Optimization-Local Search Algorithm,TLBOLS).首先,由于传统的教与学优化算法不能直接用于求解特征选择问题,算法在初始化阶段将实数型编码转为二进制编码,然后为保证种群的多样性,在教阶段引入最差个体重启机制,并针对进化班级过程中学习者与教学者两种身份采... 相似文献
105.
提出一种基于粒子群优化(PSO)的随机森林(RF)识别方法。利用PSO算法搜寻最优的RF超参数n_estimators和max_depth,构建了PSO-RF人体活动识别模型。基于华盛顿州立大学CASAS项目数据集的实验共识别30种日常活动。仿真结果表明,PSO-RF模型的识别准确率达到95%,Accuracy、Precision、Recall和F1-score评价指标均优于其他经典的分类模型,具有较好的预测精度和泛化能力,可为智能家居系统个性化服务提供辅助决策。 相似文献