電滲析設備是由離子交換膜和直流電場組成的脫鹽工藝，以電位差為推動力，利用交替放置的陽陰離子交換膜的選擇透過性達到脫鹽效果。本文介紹了利用BP神經網絡及其改進算法建立神經網絡模型運用于實驗室規(guī)模的電滲析設備中，目的是為了預測電滲析設備的脫鹽率(SP)。 BP神經網絡模擬人腦神經結構，能夠應用于大量的互相聯(lián)接的處理單元所構成的復雜網絡結構中。BP網絡的自適應和自學習能力能夠有效處理高度復雜的非線性系統(tǒng)，從而實現(xiàn)從輸入到輸出的任意非線性映射。利用這一特點，本文將BP神經網絡應用于電滲析工藝中。但由于BP網絡有其自身缺陷，采用改進BP算法對BP神經網絡進行修正。為了得到*佳預測效果，神經網絡經過多次訓練，將神經網絡訓練后得到的脫鹽率預測值與實驗值進行對比。BP網絡獲得*佳神經網絡訓練參數(shù)，即BP算法的*佳隱層節(jié)點個數(shù)為8時，MSE為0.2504，訓練數(shù)據(jù)、測試樣本相關系數(shù)分別為0.9949、0.9921，MSRE為0.0068，訓練次數(shù)為75次；自適應學習速率法的學習速率選取為0.05時，MSE為0.2464，訓練數(shù)據(jù)、測試樣本相關系數(shù)分別為0.9967、0.9922，MSRE為0.0057，訓練次數(shù)為32次；附加動量法的動量因子選取為0.15時，MSE為0.2537，訓練數(shù)據(jù)、測試樣本相關系數(shù)分別為0.9958、0.9905，MSRE為0.0062，訓練次數(shù)為18次；彈性BP算法的權值變化增加量為1.2時，MSE為0.0942，訓練數(shù)據(jù)、測試樣本相關系數(shù)分別為0.9987、0.9974，MSRE為0.0021，訓練次數(shù)僅為13次。可見，BP算法的*佳隱層節(jié)點個數(shù)為8時，得到*佳網絡結構4:8:1。對比三種改進BP算法，自適應學習速率法相比附加動量法更能接近預測精度，而附加動量法雖然縮短了訓練時間，但其預測精度不高。彈性BP算法的擬合效果*好并且可以利用*小的訓練次數(shù)達到目標精度，所以彈性BP算法為*佳改進BP算法，自適應學習速率法其次，附加動量法*次。三種改進算法都從不同角度修正了BP神經網絡，所以訓練結果都優(yōu)于BP網絡。并且從神經網絡的應用角度分析，BP網絡及其改進算法不僅可以應用于相類似的膜工藝領域，也可適用于其他存在非線性關系的工藝優(yōu)化中。