利用夹点温度合成换热网络
摘要：化工生产中存在着大量的需要换热的工段，有些需要加热，有些需要冷却或冷
凝。如果能够合理地设计好换热网络系统，就可以最大限度地减少公共供热或供冷，而且还可能减少设备投资，达到节能的目的。夹点技术（Pi nch Tech no logy ）是合成换热网络常用的综合设计技术。利用该技术设计合成公共供热或供冷最小的换热网络，在降低能耗，减少投资，保护环境等方面成效显着。
关键词：夹点技术、夹点的确定及意义、换热网络合成
1. 夹点技术
夹点技术是以热力学为基础，从宏观的角度分析过程系统中能量流沿温度的分布，从中发现系统的用能“瓶颈”所在，并给以“解瓶颈”的一种方法。夹点限制了换热网络可能达到的最大热回收。用夹点技术设计合成的换热网络，可推广应用于整个过程系统的能量分析与调优。目前，夹点技术在实际中应用广泛，取得较好的成效。我国高校，设计部也已将夹点分析方法用于原油预热系统的节能改造，取得满意效果。
1.1温焓图
用温焓图（T-H图）能够简单明了地描述过程系统中换热网络中物流的热特性。在温
焓图上可以用一段线段或曲线描述物流的换热过程。例如，当某一工艺物流从供应温度Ts 加热或冷却到目标温度Cp（Tt,其所需的热量或冷量（该过程的焓差）为
式中，W为质量流率kg/h;Cp为比热容,kJ/kg.K;
由此，就可在温焓图中画出表示物流温度及热量的变化的直线。若Q为负值，表示物流被冷却，需要冷量，在图中的直线为有一条箭头指向左下方的直线；若Q为正值，表示
物流被加热，需要热量，在图中的直线为有一条箭头指向右上方的直线。若为一水平线，则表示为饱和物质流体的焓变，过程中温度保持不变。若为曲线，则表示为多组分物质流体的热量变化。
1.2组合曲线
在一个过程系统中，会有多股热物流和冷物流，在研究过程中，常常把多股物流在温焓图中有机结合在一起，同时考虑冷热物流的匹配换热问题，这样才更有意义。因此，即需在温焓图中画出组合曲线。
在温焓图中，可做出多股热物流和多股冷物流的热组合曲线和冷组合曲线。即把相同温度间隔内物流的热负荷累加起来，然后在该温度间隔中用一个具有累加热负荷值的虚线物流来代表即可。
2、夹点的确定及意义
2.1夹点的确定
（1）作图法
夹点的位置可以在温焓图中直观的确定出来。为确定夹点温度，需知道最小传热温差
T m in
。
在温焓图中先根据所给的温度作出热物流组合曲线和冷物流组合曲线，让两条物流曲
线在水平方向上相互靠近，当两物流曲线在某处的垂直距离正好等于Tmin时，该处即为夹点。由此即可确定热流体的夹点温度和冷流体的夹点温度，热冷流体的夹点温差刚好等于
T m in
确定夹点后，还可以在温焓图中确定过程系统中所需最小公用工程加热量Qmin，最小公用工程冷却量Q,min以及最大回收热量Q,max=夹点把过程系统分隔成了两部分，即夹点上方和夹点下方。
夹点上方为热端，只需用公用工程加热，夹点下方为冷端，只需用公用工程冷却。
（2）表格法
①确定区间温度
将所有冷流体的供应温度和目标温度上升T min/2,将所有热流体的供应温度和目标温度下降T min/2，将调整后的温度从高到低排列，得到若干温度区间。
②计算所需热量或冷量
在每个温度区间的热平衡内，计算各温去所需热量或冷量。公式为
H i （ CP H CP C）仃i T i i）
川有正有负，一般，夹点就在H i小于o的区间。
③计算热级联
找到最小的的外加热量，使原来的输出热量为负值的区间变成输出热量为零的区间，该区间的下限温度就是夹点的温度。
2.2夹点的意义
夹点的意义有如下2点：
（1）夹点出热冷物流间传热温差最小，为T min，它限制了过程系统能量的回收，成为了系统用能的“瓶颈”。为此，需要改善夹点，以“解瓶颈”。
(2)夹点处过程系统的热流量为零。即夹点处没有热流流过。
3、换热网络合成
换热网络的合成就是利用夹点技术设计出能够回收最大热量的换热网络。而换热网络是有很多的，所以需要对换热网络进行优化。所谓的换热网络的优化，是在
完成规定换热任务下可能换热器数目最小，也有可能是公用工程消耗的能量最小，或
是总操作费用最小。目前，最常用的是公用工程能量消耗最小及总操作费用最小两个
指标。
由上述已可确定夹点，由此即可设计换热网络。根据夹点的意义，在换热网络设计时，应遵循以下原则：
(1)夹点上方不能引入任何冷工用工程；
(2)夹点下方不能引入任何热工用工程；
(3)在夹点处不能有跨越夹点的传热。
此外，在进行设计应用时，还应遵循换热器的流股匹配法则：
①夹点之上的所有的热流在夹点处只能和那些热容流率比自己大或相等的冷流相匹配；即保证在传热过程中传热温差大于最小传热温差；即CP H CP C
②夹点之下的所有的冷流在夹点处只能和那些热容流率比自己大或相等的热流相匹配；即保证在传热过程中传热温差大于最小传热温差；即CP C CP H
除此之外，还须满足一个要求，即最大限度地满足其中一个流股的换热，使这一流股的热量尽量用一台换热器用尽。如果在夹点之上，则先满足热流股；如果在夹点
之下，则先满足冷流股
根据所述的设计原则、匹配法则、基本要求，即可合成换热网络。
虽然利用夹点技术可以设计出最大能量回收系统的换热网络，但从经济上讲，并不是最优的系统，所以，还可以对换热网络进行改善，使其更优化。
结论
换热网络的合成需要利用夹点技术。夹点技术是以热力学为基础，从宏观的角度分析过程系统中能量流沿温度的分布，从中发现系统的用能“瓶颈”所在，并给以“解瓶颈”的一种方法。夹点的确定需要在温焓图中利用热冷物流的组合曲线确定。让热冷两条物流曲线在水平方向上相互靠近，当两物流曲线在某处的垂直距离正好等于
Tmin时，该处即为夹点。夹点确定后，即可确定过程系统中所需最小公用工程加热量
o利用所确定的夹点，就可以合成换热Q,min，最小公用工程冷却量Q,min以及最大回收热量Q,max
网络。
致谢感谢韩媛媛老师的教导#
参考文献
【M】张卫东孙巍刘君鹏等化工过程分析与合成【M】北京化学工业出版社
2016,
277~287
【M】方利国化工过程系统分析与合成【M北京化学工业出版社2013 ,,102~115
【M】都健化工过程分析与合成【M大连大连理工大学出版社2012,202~211附:
附:
解：根据表格法步骤，将2、4热流体的供应温度和目标温度下降，得195,175,85,55 ; 将1、3冷流体的供应温度和目标温度上升T min/2，得175,170,115,55。将两个温度序列
合并从高到低进行排列：195,175,170,115,85,55; 共6个温度，5个温度区间，整理后填入表中
由表得，第4级的输入热量为0,所以夹点就在第4级的上限温度115C处，由此得到热流体在夹点处的温度为120C,冷流体在夹点处的温度为110C。最小热公用工程为20kW,最小冷公用工程为60kW
)(s t p T T W c Q H -==?利用夹点温度合成换热网络 摘要：化工生产中存在着大量的需要换热的工段，有些需要加热，有些需要冷却或冷凝。如果能够合理地设计好换热网络系统，就可以最大限度地减少公共供热或供冷，而且还可能减少设备投资，达到节能的目的。夹点技术（Pinch Technology ）是合成换热网络常用的综合设计技术。利用该技术设计合成公共供热或供冷最小的换热网络，在降低能耗，减少投资，保护环境等方面成效显著。 关键词：夹点技术、夹点的确定及意义、换热网络合成 1.夹点技术 夹点技术是以热力学为基础，从宏观的角度分析过程系统中能量流沿温度的分布，从中发现系统的用能“瓶颈”所在，并给以“解瓶颈”的一种方法。夹点限制了换热网络可能达到的最大热回收。用夹点技术设计合成的换热网络，可推广应用于整个过程系统的能量分析与调优。目前，夹点技术在实际中应用广泛，取得较好的成效。我国高校，设计部也已将夹点分析方法用于原油预热系统的节能改造，取得满意效果。 1.1温焓图 用温焓图（T-H 图）能够简单明了地描述过程系统中换热网络中物流的热特性。在温焓图上可以用一段线段或曲线描述物流的换热过程。例如，当某一工艺物流从供应温度Ts 加热或冷却到目标温度Tt,其所需的热量或冷量（该过程的 焓差）为 式中，W 为质量流率kg/h;Cp 为比热容,kJ/kg.K; 由此，就可在温焓图中画出表示物流温度及热量的变化的直线。若Q 为负值，表示物流被冷却，需要冷量，在图中的直线为有一条箭头指向左下方的直线；若Q 为正值，表示物流被加热，需要热量，在图中的直线为有一条箭头指向右上方的直线。若为一水平线，则表示为饱和物质流体的焓变，过程中温度保持不变。若为曲线，则表示为多组分物质流体的热量变化。 1.2组合曲线 在一个过程系统中，会有多股热物流和冷物流，在研究过程中，常常把多股物流在温焓图中有机结合在一起，同时考虑冷热物流的匹配换热问题，这样才更有意义。因此，即需在温焓图中画出组合曲线。 在温焓图中，可做出多股热物流和多股冷物流的热组合曲线和冷组合曲线。即把相同温度间隔内物流的热负荷累加起来，然后在该温度间隔中用一个具有累加热负荷值的虚线物流来代表即可。
换热网络设计 以下以例题形式给出解题步骤: 下表给出四股工艺物流的工况，最小允许传热温差 .汀mi x为20C。请用夹点设计法设计一具有最大能量回收的换热网络。 解题步骤： ①将热流端点温度减去?汀mix与冷流端点温度，去掉没有潜热存在的重复温度 点（热流 加.订mix），按从大到小顺序排序划分温度区间; 340,280,260,80,80,40 热流端点温度需+DTmX 具体温区： 温区：S x 1 SX2 Sx 3 Sx 4 Sx 5 热流：360 300 280 100 100 60 冷流：340 280 260 80 80 40 ②计算每个温度区间的净需热量； D1=-120; D2=-80; D3=-360; D4=600; D5=-80; ③从第一温区开始计算热量平衡； 01=120; 02=200; 03=560; O4=-40; 05=40; ④找到逆向传热最多的温度点； ⑤由外界向第一补充扭转逆向传热所需的热负荷，计算热量平衡； ⑥向下一个温区传热为零的温度点即为夹点，第一温区获得的热量即为最小加 热负荷，最末温区传出热量即为最小冷却负荷；
⑦ 跨过夹点进行传热的所有换热匹配均不合理 结果： QHmX =40kW, QCmX =80 kW; 夹点位置：SX 4与SX 5的界面；夹点温度：热换热到 100C ;冷换热 潜热位置夹点之上子系统 ⑧ 设计换热网络方法: ｛这只是其中的一种方案，只要设计合理均可｝ 〖设计夹点匹配时必须要注意温差的要求，遵循夹点匹配的两种可行性原则〗 a ）分别匹配，优先考虑热负荷，然后考虑热容流率相近，一次用尽 夹点之上要优先 考虑热流，必须完全通过换热降温到夹点温度 夹点之下要优先考虑冷流，必须完全通过换热升温到夹点温度 80C ； i) 分夹点画冷热流热负荷分配 ii) 分别匹配，优先考虑热负荷，然后考虑热容流率相近，一次用尽 夹点之上要优先考虑热流，必须完全通过换热降温到夹点温度 CP 夹点之下要优先考虑冷流，必须完全通过换热升温到夹点温度 热负荷 kW CP 热负荷 kW 80 120 80 40 360 C 60 C 520 2 600 3 360 2 200 1 600 0 80 C 夹点 匹配 夹点 100C
第五章 神经网络课后习题及答案 一、选择题： 1. 在BP算法中，设y=f(xi)为xi的平滑函数，想知道xi对y增大变化的情况， 我们可求 ，然后进行下列的哪一项？ （ B ） A 取最小 B 取最大 C 取积分 D 取平均值 2. 对于反向传播学习，无论是在识别单个概念的学习或识别两个概念的学习中，都涉及到下列的哪一个操作？ （ A ） A 权值的修正 B 调整语义结构 C 调整阀值 D 重构人工神经元 3. 根据Hopfield网络学习的特点，能实现联想记忆和执行线性和非线性规划等求解问题其应用没有涉及到下列的哪一个内容？ （ D ） A 模糊推理模型 B 非线性辨认 C 自适应控制模型 D 图象识别 4. 对于神经网络的二级推理产生式规则由三个层次构成，它不含下列的哪一个层次？ （ C ） A 输入层 B 输出层 C 中间层 D 隐层 5. 人工神经网络借用了生理神经元功能的一些描述方式，它涉及到下列的哪一些内容？ （ ABC ） A 模拟神经元 B 处理单元为节点 C 加权有向图 D 生理神经元连接而成
6. 在应用和研究中采用的神经网络模型有许多种，下列的哪一些是具有代表性的？ （ ABD ） A 反向传递（BP） B Hopfield网 C 自适应共振 D 双向联想存储器 7. 下列的哪一些内容与反向传播学习算法有关？ （ ABCD ） A 选取比率参数 B 误差是否满足要求 C 计算权值梯度 D 权值学习修正 8. 构造初始网络后，要用某种学习算法调整它的权值矩阵，使NN在功能上满足样例集给定的输入一输出对应关系，并由此产生推理，该矩阵必须满足下列的哪一个性质？ ( A ) A 收敛性 B 对称性 C 满秩性 D 稀疏性 9. 在人工神经元的功能描述中，往往会用一激发函数来表示输出，常用的一般非线性函数有下列的哪一些项？ ( ABD ) A 阀值型 B 分段线性强饱和型 C 离散型 D S i gm oid型 10. 基于神经网络的推理，其应用中必须涉及到下列的哪一些内容？ ( ACD ) A NN的结构模型 B NN的推理规则 C NN的学习算法 D 从NN到可解释的推理网 二、填空题： 1. 前馈网络是一种具有很强学习能力的系统，结构简单，易于编程。前馈网络通
第四章计算智能（1）：神经计算模糊计算4-1 计算智能的含义是什么？它涉及哪些研究分支？ 贝兹德克认为计算智能取决于制造者提供的数值数据，而不依赖于知识。计算智能是智力的低层认知。 主要的研究领域为神经计算，模糊计算，进化计算，人工生命。 4-2 试述计算智能（CI）、人工智能（AI）和生物智能（BI）的关系。 计算智能是智力的低层认知，主要取决于数值数据而不依赖于知识。人工智能是在计算智能的基础上引入知识而产生的智力中层认知。生物智能，尤其是人类智能，则是最高层的智能。即CI包含AI包含BI 4-3 人工神经网络为什么具有诱人的发展前景和潜在的广泛应用领域？ 人工神经网络具有如下至关重要的特性： (1) 并行分布处理 适于实时和动态处理 (2)非线性映射 给处理非线性问题带来新的希望 (3) 通过训练进行学习 一个经过适当训练的神经网络具有归纳全部数据的能力，能够解决那些由数学模型或描述规则难以处理的问题 (4) 适应与集成 神经网络的强适应和信息融合能力使得它可以同时输入大量不同的控制信号，实现信息集成和融合，适于复杂，大规模和多变量系统 (5) 硬件实现 一些超大规模集成是电路实现硬件已经问世，使得神经网络成为具有快速和大规模处理能力的网络。 4-4 简述生物神经元及人工神经网络的结构和主要学习算法。
生物神经元 大多数神经元由一个细胞体(cell body或soma)和突(process)两部分组成。突分两类，即轴突(axon)和树突(dendrite)，轴突是个突出部分，长度可达1m，把本神经元的输出发送至其它相连接的神经元。树突也是突出部分，但一般较短，且分枝很多，与其它神经元的轴突相连，以接收来自其它神经元的生物信号。 轴突的末端与树突进行信号传递的界面称为突触(synapse)，通过突触向其它神经元发送信息。对某些突触的刺激促使神经元触发(fire)。只有神经元所有输入的总效应达到阈值电平，它才能开始工作。此时，神经元就产生一个全强度的输出窄脉冲，从细胞体经轴突进入轴突分枝。这时的神经元就称为被触发。突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋或抑制。学习就发生在突触附近。 每个人脑大约含有10^11-10^12个神经元，每一神经元又约有10^3-10^4个突触。神经元通过突触形成的网络，传递神经元间的兴奋与抑制。大脑的全部神经元构成极其复杂的拓扑网络群体，用于实现记忆与思维。 人工神经网络的结构 人工神经网络由神经元模型构成。每个神经元具有单一输出，并且能够与其它神经元连接，存在许多输出连接方法，每种连接方法对应于一个连接权系数。 人工神经网络的结构分为2类， (1)递归(反馈)网络 有些神经元的输出被反馈至同层或前层神经元。信号能够从正向和反向流通。Hopfield网络，Elmman网络和Jordan网络是代表。 (2) 前馈网络 具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通，神经元从一层连接至下一层，不存在同层神经元之间的连接。多层感知器(MLP)，学习矢量量化网络(LVQ)，小脑模型连接控制网络(CMAC)和数据处理方法网络(GMDH)是代表。 人工神经网络的主要学习算法 (1) 指导式(有师)学习 根据期望和实际的网络输出之间的差来调整神经元连接的强度或权。包括Delta规则，广义Delta规则，反向传播算法及LVQ算法。 (2) 非指导(无导师)学习 训练过程中，神经网络能自动地适应连接权，以便按相似特征把输入模式分组聚集。包括
)(s t p T T Wc Q H -==?利用夹点温度合成换热网络 摘要：化工生产中存在着大量的需要换热的工段，有些需要加热，有些需要冷却或冷凝。如果能够合理地设计好换热网络系统，就可以最大限度地减少公共供热或供冷，而且还可能减少设备投资，达到节能的目的。夹点技术（Pinch Technology ）是合成换热网络常用的综合设计技术。利用该技术设计合成公共供热或供冷最小的换热网络，在降低能耗，减少投资，保护环境等方面成效显著。 关键词：夹点技术、夹点的确定及意义、换热网络合成 1.夹点技术 夹点技术是以热力学为基础，从宏观的角度分析过程系统中能量流沿温度的分布，从中发现系统的用能“瓶颈”所在，并给以“解瓶颈”的一种方法。夹点限制了换热网络可能达到的最大热回收。用夹点技术设计合成的换热网络，可推广应用于整个过程系统的能量分析与调优。目前，夹点技术在实际中应用广泛，取得较好的成效。我国高校，设计部也已将夹点分析方法用于原油预热系统的节能改造，取得满意效果。 1.1温焓图 用温焓图（T-H 图）能够简单明了地描述过程系统中换热网络中物流的热特性。在温焓图上可以用一段线段或曲线描述物流的换热过程。例如，当某一工艺物流从供应温度Ts 加热或冷却到目标温度Tt,其所需的热量或冷量（该过程的焓差）为 式中，W 为质量流率kg/h;Cp 为比热容,kJ/kg.K; 由此，就可在温焓图中画出表示物流温度及热量的变化的直线。若Q 为负值，表示物流被冷却，需要冷量，在图中的直线为有一条箭头指向左下方的直线；若Q 为正值，表示物流被加热，需要热量，在图中的直线为有一条箭头指向右上方的直线。若为一水平线，则表示为饱和物质流体的焓变，过程中温度保持不变。若为曲线，则表示为多组分物质流体的热量变化。 1.2组合曲线 在一个过程系统中，会有多股热物流和冷物流，在研究过程中，常常把多股物流在温焓图中有机结合在一起，同时考虑冷热物流的匹配换热问题，这样才更有意义。因此，即需在温焓图中画出组合曲线。 在温焓图中，可做出多股热物流和多股冷物流的热组合曲线和冷组合曲线。即把相同温度间隔内物流的热负荷累加起来，然后在该温度间隔中用一个具有累加热负荷值的虚线物流来代表即可。 2、夹点的确定及意义 2.1夹点的确定 （1）作图法
X X X X大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010年12月22日
人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1.1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元,通过广泛的突触联系形成的信息处理集团,其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1)神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站,它构成各神经元之间广泛的联接。(3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物,其变化是先天遗传信息确定的总框架下有限的自组织过程。 1.2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系,这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法:①神经生物学模型方法,即根据微观神经生物学知识的积累,把脑神经系统的结构及机理逐步解释清楚,在此基础上建立脑功能模型。②神经计算模型方法,即首先建立粗略近似的数学模型并研究该模型的动力学特性,然后再与真实对象作比较(仿真处理方法)。 1.3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能,是一门新兴的前沿交叉学科,其概念以T.Kohonen.Pr的论述最具代表性:人工神经网络就是由简单的处理单元(通常为适应性)组成的并行互联网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1.4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题:模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1.5理论局限性 (1)受限于脑科学的已有研究成果由于生理试验的困难性,目前对于人脑思维与记忆机制的认识尚很肤浅,对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2)尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网,节点间互连强度构成的矩阵可通过某种学
《神经网络原理》 一、填空题 1、从系统的观点讲，人工神经元网络是由大量神经元通过极其丰富和完善的连接而构成的自适应、非线性、动力学系统。 2、神经网络的基本特性有拓扑性、学习性和稳定收敛性。 3、神经网络按结构可分为前馈网络和反馈网络，按性能可分为离散型和连续型，按学习方式可分为有导师和无导师。 4、神经网络研究的发展大致经过了四个阶段。 5、网络稳定性指从t=0时刻初态开始，到t时刻后v(t+△t)=v(t)，(t>0)，称网络稳定。 6、联想的形式有两种，它们分是自联想和异联想。 7、存储容量指网络稳定点的个数，提高存储容量的途径一是改进网络的拓扑结构，二是改进学习方法。 8、非稳定吸引子有两种状态，一是有限环状态，二是混沌状态。 9、神经元分兴奋性神经元和抑制性神经元。 10、汉明距离指两个向量中对应元素不同的个数。 二、简答题 1、人工神经元网络的特点？ 答：（1）、信息分布存储和容错性。 （2）、大规模并行协同处理。 （3）、自学习、自组织和自适应。 （4）、人工神经元网络是大量的神经元的集体行为，表现为复杂
的非线性动力学特性。 （5）人式神经元网络具有不适合高精度计算、学习算法和网络设计没有统一标准等局限性。 2、单个神经元的动作特征有哪些？ 答：单个神经元的动作特征有：（1）、空间相加性；（2）、时间相加性；（3）、阈值作用；（4）、不应期；（5）、可塑性；（6）疲劳。 3、怎样描述动力学系统？ 答：对于离散时间系统，用一组一阶差分方程来描述： X(t+1)=F[X(t)]； 对于连续时间系统，用一阶微分方程来描述： dU(t)/dt=F[U(t)]。 4、F(x)与x 的关系如下图，试述它们分别有几个平衡状态，是否为稳定的平衡状态？ 答：在图（1）中，有两个平衡状态a 、b ，其中，在a 点曲线斜率|F ’(X)|>1，为非稳定平稳状态；在b 点曲线斜率|F ’(X)|<1，为稳定平稳状态。 在图（2）中，有一个平稳状态a ，且在该点曲线斜率|F ’(X)|>1，为非稳定平稳状态。
3.5单层感知器 # include
} 3.6单次训练的结果 # include
一.简介： 化学工业是耗能大户，在现代化学工业生产过程中，能量的回收及再利用有着极其重要的作用。换热的目的不仅是为了改变物流温度使其满足工艺要求，而且也是为了回收过程余热，减少公用工程消耗。在许多生产装置中，常常是一些物流需要加热，而另一些物流则需要冷却。将这些物流合理的匹配在一起，充分利用热物流去加热冷物流，提高系统的热回收能力，尽可能减少蒸汽和冷却水等辅助加热和冷却用的公用工程（即能量）耗量，可以提高系统的能量利用率和经济性。换热网络系统综合就是在满足把每个物流由初始温度达到制定的目 标温度的前提下，设计具有最加热回收效果和设备投资费用的换热器网络。 我们主要介绍利用夹点技术对换热网络进行优化。通过温度分区及问题表求出夹点及最小公用工程消耗，找出换热网络的薄弱环节提出优化建议，寻求最优的匹配方法。再从经济利益上进行权衡提出最佳的换热网络方案。提高能量的利用效率。 二.换热网络的合成——夹点技术 1、温度区间的划分 工程设计计算中，为了保证传热速率，通常要求冷、热物流之间的温差必须大于一定的数值，这个温差称作最小允许温差△Tmin。热物流的起始温度与目标温度减去最小允许温差△Tmin，然后与冷物流的起始、目标温度一起按从大到小顺序排列，生称n个温度区间，热
物流按各自冷、个温区，n从而生成表示，Tn+1……T1,T2分别用．的始温、终温落入相应的温度区间。 温度区间具有以下特性: （1）.可以把热量从高温区间内的任何一股热物流，传给低温区间内的任何一股冷物流。 （2）.热量不能从低温区间的热物流向高温区间的冷物流传递。 2、最小公用工程消耗 （1）.问题表的计算步骤如下： A：确定温区端点温度T1，T2，………Tn+1，将原问题划分为n个温度区间。 B：对每个温区进行流股焓平衡，以确定热量净需求量： Di=Ii－Qi=（Ti－Ti+1）（∑FCPC－∑FCPH） C：设第一个温区从外界输入热量I1为零，则该温区的热量输出Q1为：Q1=I1－D1=－D1根据温区之间热量传递特性，并假定各温区间与外界不发生热交换，则有：Ii+1=Qi Qi+1=Ii+1－Di+1=Qi－Di+1 利用上述关系计算得到的结果列入问题表 (2).夹点的概念（自己画图7-3） 从图中可以直观的看到温区之间的热量流动关系和所需最小公用工程用量，其中SN2和SN3间的热量流动为0，表示无热量从SN2流向SN3。这个流量为零的点就称为夹点。 3、温焓图与组合曲线
X X X X 大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010 年12 月22 日
人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1. 1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元, 通过广泛的突触联系形成的信息处理集团, 其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1) 神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站, 它构成各神经元之间广泛的联接。(3) 大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物, 其变化是先天遗传信息确定的总框架下有限的自组织过程。 1. 2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系, 这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法: ①神经生物学模型方法, 即根据微观神经生物学知识的积累, 把脑神经系统的结构及机理逐步解释清楚, 在此基础上建立脑功能模型。②神经计算模型方法, 即首先建立粗略近似的数学模型并研究该模型的动力学特性, 然后再与真实对象作比较(仿真处理方法)。 1. 3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能, 是一门新兴的前沿交叉学科, 其概念以T.Kohonen. Pr 的论述最具代表性: 人工神经网络就是由简单的处理单元(通常为适应性) 组成的并行互联网络, 它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1. 4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题: 模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1. 5理论局限性 (1) 受限于脑科学的已有研究成果由于生理试验的困难性, 目前对于人脑思维与记忆机制的认识尚很肤浅, 对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2) 尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网, 节点间互连强度构成的矩阵可通过某种学
换热器设计指南
1 总则 1.1 目的 为规范本公司工艺设计人员设计管壳式换热器及校核管壳式换热器而编制。 1.2 范围 1.2.1本规定规定了管壳式换热器的选型、设计、校核及材料选择。 1.2.2本规定适用于本公司所有的管壳式换热器。 1.3 规范性引用文件 下列文件中的条款通过本规定的引用而成为本规定的条款，凡注日期的应用文件，其随后所有的修改单或修改版均不适用本规定。凡不注日期或修改号（版次）的引用文件，其最新版本适用于本规定。 GB150-1999 钢制压力容器 GB151-1999 管壳式换热器 HTRI设计手册 Shell & tube heat exchangers——JGC 石油化工设计手册第3卷——化学工业出版社（2002） 换热器设计手册——中国石化出版社（2004） 换热器设计手册——化学工业出版社（2002） Shell and Tube Heat Exchangers Technical Specification ——SHESLL (2004) SHELL AND TUBE HEAT EXCHANGERS——BP (1997) Shell and Tube Exchanger Design and Selection——CHEVRON COP. (1989) HEAT EXCHANGERS——FLUOR DANIEL (1994) Shell and Tube Heat Exchangers——TOTAL（2002） 管壳式换热器工程规定——SEI（2005） 2 设计基础 2.1 传热过程名词定义
2.1.1 无相变过程 加热：用工艺流体或其他热流体加热另一工艺流体的过程。 冷却：用工艺流体、冷却水或空气等冷剂冷却另一工艺流体的过程。 换热：用工艺流体加热或冷却另外一股工艺流体的过程。 2.1.2 沸腾过程 在传热过程中存在着相的变化—液体加热沸腾后一部分变为汽相。此时除显热传递外，还有潜热的传递。 池沸过程：用工艺流体、水蒸汽或其他热流体加热汽化大容积设备中的工艺流体过程。 流动沸腾：用工艺流体、水蒸汽或其他热流体加热汽化狭窄流道中的工艺流体过程。 2.1.3 冷凝过程 部分或全部流体被冷凝为液相, 热流体的显热和潜热被冷流体带走，这一相变过程叫冷凝过程。 纯蒸汽或混合蒸汽冷凝：用工艺流体、冷却水或空气，全部或部分冷凝另一工艺流体。 有不凝气的冷凝：用工艺流体、冷却水或空气，部分冷凝工艺流体和同时冷却不凝性气体。 2.2 换热器的术语及分类 2.2.1 术语及定义 换热器装置：为某个可能包括可替换操作条件的特定作业的一个或多个换热器；位号：设计人员对某一换热器单元的识别号； 有效表面：进行热交换的管子外表面积； 管程：介质流经换热管内的通道及与其相贯通部分； 壳程：介质流经换热管外的通道及与其相贯通部分； 管程数：介质沿换热管长度方向往、返的次数； 壳程数：介质在壳程内沿壳体轴向往、返的次数； 公称长度：以换热管的长度作为换热器的公称长度，换热管为直管时，取直管长度，换热管为U形管时取U形管直管段的长度； 计算换热面积：以换热管外径为基准，扣除伸入管板内的换热管长度后，计算得到的管束外表面积，对于U形管式换热器，一般不包括U形弯管段的面积；公称换热面积：经圆整后的计算换热面积；
神经网络原理及其应用——基于BP 人工神经网络的图像分割器 学校：东北大学 班级：电子信息工程0901班 姓名：吴戈林 学号：20092676 指导老师：王斐 时间：2012年12月
目录 人工神经网络 (3) 一、特点与优势 (3) 二、人工神经网络的主要研究方向 (4) 三、人工神经网络的应用分析 (4) 四、人工神经网络在图像分割中的应用 (6) 1.问题概述 (7) 2.基于BP 人工神经网络的图像分割器 (8) 2.1神经网络结构的确定 (8) 2. 2 神经网络结构的改进 (9) 2. 3 BP 神经网络的图像分割基本训练 (9) 2. 4 BP 神经网络的针对性训练 (10) 3.网络应用 (10) 4.结论 (11) 五、课程收获与感想 (11) 六、参考文献 (12)
人工神经网络 人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人Hecht Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。”这一定义是恰当的。人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型(Perceptron) 。它几乎与人工智能——AI（Artificial Intelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，导致神经网络的复兴。目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。 一、特点与优势 人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注： (1)可以充分逼近任意复杂的非线性关系； (2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性； (3)采用并行分布处理方法，使得快速进行大量运算成为可能； (4)可学习和自适应不知道或不确定的系统； (5)能够同时处理定量、定性知识。 人工神经网络的优越性，主要表现在三个方面： 第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。 第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。 第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
神经网络的基本特征及其在战斗识别领域的应用前景简介 —神经网络原理及应用报告 课程名称：神经网络原理及应用 课程编号： 指导教师： 学院： 班级： 姓名： 学号： 日期：
神经网络的基本特征及其在战斗识别领域的应用前景简介 摘要：在未来的军事对抗上，对军事打击的物理距离越来越大，对打击的反应时间的要求越来越短，对打击的精度要求越来越高。在这种情况下，迅速且精确的敌我识别系统显得尤其重要。传统的战斗识别方式早已遇到了瓶颈，而神经网络因为它在信息、信号处理、模式识别方面有些独到之处，近年来受到各国军界的普遍重视。 关键词：军事,战斗识别,模式识别,敌我识别,神经网络 1 引言 众多科学家预言，21世纪将是“生物”世纪。这说明生物学的研究和应用已进入了空前繁荣的时代。神经网络系统理论就是近十多年来受其影响而得到飞速发展的一个世界科学研究的前沿领域。这股研究热潮必然会影响到军事技术的研究。在现代战争中，因为远程制导武器的广泛应用，绝大多数军事打击都不再依靠肉眼来辨析敌我，战场上的敌我识别变成了一个重要的问题。据统计，1991年的海湾战争期间，美军与友军之间的误伤比例高达24%；在伊拉克战争期间，共发生17起误伤事件，死18人，伤47人。两场战争的伤亡结果表明，单一的敌我识别武器已不能适应现代战争复杂的作战环境和作战要求。所以提高军队战斗识别的效率是现代军事科技研究中一个极其重要的课题。神经网络作为新的热门技术，必然受到军事研究学者们的青睐。本文只选取战斗识别这一领域，简要探讨神经网络技术在战斗识别领域中的应用前景，但求管中一窥，抛砖引玉。 2 神经网络简介 2.1 神经网络的历史 神经网络的研究可以追溯到上个世纪的1890年。但真正展开神经网络理论研究却始于本世纪40年代。1943年，有心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型——MP模型，从此开创了神经网络理论研究的新时代。MP模型以集体并行计算结构来描述神经网络及网络的运行机制，可完成有限的逻辑运算。 1949年，Hebb通过对大脑神经的细胞、人的学习行为和条件反射等一系列
2018年“东华科技-陕鼓杯” 第十二届全国大学生化工设计竞赛 中石化镇海炼化分公司 年产1.2万吨叔丁胺和1.8万吨聚异丁烯项目能量集成及换热网络设计 ZJU C.E.O团队 叶骐瑜陈宁洁方譽錡俞彬彬李锦秀 指导老师：胡晓萍
目录 1概述 (3) 2原始工艺流股提取 (4) 3原始工艺流股的能耗分析 (5) 4工艺流程的改进 (6) 5改进工艺流股的提取及分析 (7) 6换热网络设计 (10) 7热泵技术分析 (13) 8相变潜热利用分析 (14) 9节能技术利用总结 (15) 10总结 (16)
1概述 本项目是中石化镇海炼化分公司MTBE来源粗异丁烯利用子项目。该项目采用传统的MTBE精制路线，直接以镇海炼化MTBE生产装置裂解提纯得到高纯异丁烯，利用部分高纯异丁烯来生产1.8万吨／年的纯度为99.7%的中分子量聚异丁烯，另一部分高纯异丁烯进一步催化胺化生产 1.2万吨／年附加值更高的叔丁胺。运行操作成本是一个重要评价参数。原料的预热、精馏等都是非常耗能的过程，会消耗大量的公用工程。 本项目工艺由异丁烯提纯、叔丁胺合成、叔丁胺提纯、异丁烯聚合和聚异丁烯后处理五个工段组成。流程中冷热物流均比较多，潜在的热量可供回收，通过对换热网络的设计和优化，可以尽可能地实现流程内部热量的集成和最大化利用，以减少公用工程的消耗，降低能耗。为此，我们运用Aspen Energy Analyzer V10软件来进行换热网络的设计，并且寻找可能节能的措施，以最大限度的降低成本。 通过对本项目工艺流股温位和换热要求的分析，为了尽可能降低系统能耗费用以及母厂可供公用工程的来源，本换热网络需要的冷公用工程包括循环冷却水、空气和冷冻剂，热公用工程包括为125℃的低压蒸汽、175℃的中压蒸汽、250℃的高压蒸汽和400℃的热油，均可由厂区公用工程站和冷冻站提供，形成与母厂的公用工程集成。 通过对系统工艺流股的能耗分析，为了尽可能地利用组合曲线平台区潜热，在工艺流程中采用了双效精馏技术和热泵技术，并进一步进行了换热网络的集成和优化，可以回收热量10782.97kW，占比27.21%,效精馏技术和热泵的采用消耗了约31kW，总计节约能量约10751.97Kw。
一、名词解释（10分）： １改变过程系统中的设备类型或相互间的联结关系，以优化过程系统；参数优化指在确定的系统结构中，改变操作参数，是过程某些指标达到优化。 ２识别出系统中的独立子系统，进一步识别出这些子系统中必须同时求解的方程组及其对应的循环回路或最大循环网，将系统中的节点、拟节点按信息流方向排出没有环路的序列，确定有力的求解顺序。 ３最好的设计变量选择是使设计方程得到一个开链结构。 ４质量衡算方程、相平衡方程、组分归一方程和焓衡算方程。 ５利用热力学原理，将反应、分离、换热、热机、热泵等过程的用能特性从用能本质的角度一致起来，将全过程的能量综合问题转化为有约束的换热网络综合问题。 二、判断以下问题是非（10分） （1）采用夹点设计法设计换热网络时，为保证系统的最大热回收，应避免热物流穿越夹点。（N） （2）热泵与系统热集成时，将热泵穿越夹点放置是有效的热集成。（Y） （3）两个或两个以上相连的循环回路一定构成最大循环网。（N） （4）采用断开热负荷回路的方法调优换热器网络，合并换热器后的结构除了需要保证每个单元设备热负荷为非负外，还要检验每个单元设备的传热温差是否大于或等于最小的允许传热温差。（Y） （5）R组分简单塔精馏分离序列的综合问题，可以看成是R-1阶段决策问题。 （Y） （6）系统的自由度为系统变量数减去描述系统的所有方程数。（N） （7）能够把全部简单回路至少断裂一次的断裂组定义为多余断裂组。（N）（8）穿越夹点的热流量为零，则夹点处的传热推动力为零。（N） （9）利用能量松弛法调优换热器网络，调优前后系统所需的冷、热公用负荷不变。（N） （10）对于已给定热交换量的情况，通过热交换面的传热温差愈小，过程的不可逆性愈小，有效能损失小。（Y） 三、过程系统分解（15分） 1．识别不相关独立子系统； 2．断裂所有最大循环网； 3．画出迭代计算顺序图。
报告一 1、程序 P=[-0.4 -0.5 0.6 0.7 0.8 -0.9 0.2;0.9 0 0.1 0.2 -0.3 0.5 0.3]; %给定训练样本数据，对应点的坐标 T=[1 1 1 0 1 0 0]; %给定样本数据对应的类别，用1和0表示两种类别 net=newp([-1 1;-1 1],1); %创建一个有两个输入、样本数据的取值范围都在【-1,1】之间，并且网络只有一个神经元的感知器神经网络 net.trainParam.epochs=20; %设置网络的最大训练次数为20次 net = train(net,P,T); %使用训练函数对创建的网络进行训练 Y=sim(net,P) %对训练后的网络进行仿真 E1=mae(Y-T) %计算网络的平均绝对误差 figure(1); %画出训练结果 plotpv(P,Y); plotpc(net.iw{1},net.b{1}) Q=[0.6 0.9 -0.1 0.7 -0.3 0.4 0.4;-0.1 -0.5 0.5 0.7 0.2 0.1 0.2]; %检测训练好的神经网络的性能 Y1=sim(net,Q) %对网络进行仿真，仿真输出即为分类的结果 figure(2); 创建一个新的绘图窗口 plotpv(Q,Y1); 在坐标中绘制测试数据 plotpc(net.iw{1},net.b{1})%在坐标中绘制分类线
2、神经网络训练 图1 神经网络训练 >>nn Y = 0 0 1 1 1 0 1 E1 = 0 Y1 = 1 1 0 1 0 1 1 3、结果图 图2 训练图 -1.5-1-0.50 0.51 1.5 Vectors to be Classified P(1)P (2)
神经网络学习 假设w1(0)=0.2, w2(0)=0.4, θ(0)=0.3, η=0.4，请用单层感知器完成逻辑或运算的学习过程。 解：根据“或”运算的逻辑关系，可将问题转换为： 输入向量：X1=[0, 0, 1, 1] X2=[0, 1, 0, 1] 输出向量：Y=[0, 1, 1, 1] 由题意可知，初始连接权值、阈值，以及增益因子的取值分别为： w1(0)=0.2, w2(0)=0.4, θ(0)=0.3，η=0.4 即其输入向量X(0)和连接权值向量W(0)可分别表示为： X(0)=(-1, x1 (0), x2 (0)) W(0)=(θ(0), w1(0), w2 (0)) 根据单层感知起学习算法，其学习过程如下： 设感知器的两个输入为x1(0)=0和x2(0)=0，其期望输出为d(0)=0，实际输出为：y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0)) =f(0.2*0+0.4*0-0.3)=f(-0.3)=0 实际输出与期望输出相同，不需要调节权值。 再取下一组输入：x1(0)=0和x2(0)=1，其期望输出为d(0)=1，实际输出为： y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0)) =f(0.2*0+0.4*1-0.3)=f(0.1)=1 实际输出与期望输出相同，不需要调节权值。 再取下一组输入：x1(0)=1和x2(0)=0，其期望输出为d(0)=1，实际输出为： y(0)=f(w1(0) x1(0)+ w2(0) x2(0)-θ(0)) =f(0.2*1+0.4*0-0.3) =f(-0.1)=0 实际输出与期望输出不同，需要调节权值，其调整如下： θ(1)=θ(0)+η(d(0)- y(0))*(-1)=0.3+0.4*(1-0)*(-1)= -0.1 w1(1)=w1(0)+η(d(0)- y(0))x1(0)=0.2+0.4*(1-0)*1=0.6 w2(1)=w2(0)+η(d(0)- y(0))x2(0)=0.4+0.4*(1-0)*0=0.4 再取下一组输入：x1(1)=1和x2(1)=1，其期望输出为d(1)=1，实际输出为： y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1)) =f(0.6*1+0.4*1+0.1) =f(1.1)=1 实际输出与期望输出相同，不需要调节权值。 再取下一组输入：x1(1)=0和x2(1)=0，其期望输出为d(0)=0，实际输出为： y(1)=f(w1(1) x1(1)+ w2(1) x2(1)-θ(1)) =f(0.6*0+0.4*0 + 0.1)=f(0.1)=1