动态交叉神经网络的特点,什么是动态神经网络

什么叫动态神经网络

动态是指具有反馈机制的一些神经网络系统，包括局部和全局两种类型反馈。借助于或基于反馈机制，在每一次循环中都会将上一时间点的信息被存储下来并整合到下一轮数据处理过程中。这样不仅能够体现出系统的动态特性，并且通过反馈机制使得存储的信息更加丰富。

比如elman就是一种动态局部反馈的神经网络。

谷歌人工智能写作项目：神经网络伪原创

神经网络是什么

神经网络是一种模拟动物神经系统行为特征的算法数学模型**写作猫** 。这种系统通过精确地复制动物神经系统的基本功能模式，并利用其高度并行的信息处理特性，在复杂系统中实现高效的数据处理能力。该模型主要依赖于系统结构的复杂性，在人工神经网络中通过调节内部大量节点间的相互连接关系来完成信息的接收、加工和输出过程。

生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。

人脑是人类思维的物理基础，在大脑皮层中负责执行和处理思维功能的各种区域共计约10^{11}个神经细胞。每一个神经细胞都与大约103个其他神经细胞建立突触联系，在这种精密而复杂的连接下共同构建起一个极其复杂而具有极强适应性的高效信息处理网络系统。

这是一门学科。生物神经网络主要致力于研究人脑神经网络的结构和功能，并揭示或探究人类思维与智能活动的基本规律。

人工神经网络可被视为生物神经网络在一定程度上的简化形式的技术模仿. 作为一门学科而言，则其主要职责在于依据生物神经系统的基本规律及其实际应用需求来构建实用型的人工神经网络模型. 并能设计相应的学习算法. 同时能够模拟人脑某些智能行为并在技术和理论上加以实现进而解决实际问题.

因此，在研究智能机理方面，生物神经网络承担着理论基础的角色；而人工神经网络则负责将其转化为具体实践的形式。两者的相互补充使得整个领域更加丰富。

本研究的核心内容主要集中在以下几个关键领域：首先是对生物模型系统性地从生理学、心理学、解剖学等多个学科展开深入研究；其次着重于揭示神经细胞、神经网络以及神经系统结构特征及其功能机制。

2、基于生物原型的研究基础，构建神经元和神经网络的理论体系。该体系具体包含概念型框架、知识整合模块以及多学科交叉支撑系统等核心要素。

3、基于理论模型构建具体的人工神经网络模型，并用于实现计算机模拟和硬件原型制作。这类工作也可统称为技术model研究

神经网络应用的算法主要是向量乘法，并且主要使用符号函数及其各种逼近方法。其运算并行性、容错能力以及硬件可实现性等特征构成了神经网络计算的主要特点，并正是两者的主要区别所在。

参考资料：百度百科-神经网络（通信定义）

在神经网络中交叉验证是什么?有什么用？

交叉验证（Cross-validation）的显著优势在于能够从有限的学习数据中提取尽可能多的有效信息，并进而获得更合适的三层权重参数；此外，该方法通过全面分析样本特征，在训练过程中能够有效地防止陷入局部极小值。

采用交叉验证法的前提条件是将神经网络已有的学习数据划分为两个组别：训练集和验证集。

随后，在对训练数据进行学习后获得相应的权重参数；通过这些权重参数评估验证集的表现，并计算分类准确率；当分类准确率达到预期阈值时，则继续使用下一批次的训练数据进行进一步的学习；否则，在分类准确率低于预期时，则采用当前批次的训练样本重新优化权重参数。

为了实现学效目标,所有参与其中的训练样本和验证样本都应尽力而为。通常采用10折交叉验证(10-fold cross-validation)[5]以获得较好的学效

神经网络算法的三大类分别是？

将神经网络划分为三类时，默认选择的是前馈神经网络；这种架构是最常被使用的模式之一；其设计思路是将输入信号依次传递至输出单元；若包含多于一层隐藏单元，则被称为‘深度’ neural network；而这些模型的主要功能则是通过一系列转换来衡量样本间的相似性

各层神经元的响应是非线性函数的结果。通过在连接图中定向形成反馈环路后，在时间序列数据中能够实现信息的回传与更新操作。其运行状态可能呈现复杂行为模式的同时也会导致难以实现有效的参数优化目标。而这种结构特征更加贴近自然神经系统的真实运行机制

循环网络的主要功能是用于处理序列数据。在传统的神经网络模型中被设计为从输入层到隐含层再到输出层，在这一架构下每一层与其相邻的其他一层之间都是全连接的；而同一层内部的不同节点之间则是没有连接的。然而这种普通的神经网络在面对许多问题时却表现不足。

循环神经网路，即一个序列当前的输出与前面的输出也有关。

具体的表现形式为该系统会对前面的信息进行记忆并应用于当前输出的计算中；即各隐藏层之间的节点并非完全独立而是彼此之间存在联系，并且各隐藏层的输入不仅来自上一层隐藏层以及前一时刻上的同一节点

3、对称连接网络：与循环网络相比，在结构上存在显著差异（其单元间的连接呈现对称性，在双向连接中权重保持一致）。相较于循环网络而言，该系统可能引入额外约束条件以简化分析过程。这一系统可能引入额外约束条件以简化分析过程。由于其遵循能量函数定律的限制关系，在实际应用中可能会带来一定的复杂性挑战。

完全不包含隐藏单元的对称连接网络被定义为Hopfield网络。而包含隐藏单元的对称连接网络则被称为玻尔兹曼机。

心理学家及认知科学家致力于研究神经系统的结构与功能，在探究大脑如何处理、存储与检索信息的过程中寻求突破。他们深入探究人类大脑运作的基本规律，并通过研究构建人类认知机制的基本框架。

生物学、医学以及神经科学领域的研究者致力于利用神经网络技术推动脑科学研究朝着更加定量化、精确化和理论化的方向演进；与此同时，他们也期望临床医学能够取得新的重要进展；信息处理与计算机科学领域的研究者致力于探索能够有效应对那些目前无法解决或具有极大难度的问题的新方法；开发出能够更贴近人类大脑功能特点的人工智能系统。

什么叫神经网络？

南搞儿童阐述了基础概念：第一部分：基础知识与原理；什么是神经网络？人类思维呈现逻辑性与直觉性的两大核心特征。

逻辑思维的过程就是通过遵循一定的规则来进行推理的行为；它首先会将信息化为概念，并将其转化为符号来进行表达；随后又按照一定的串行方式进行运算和处理，在此基础之上完成相应的逻辑推理过程。这种有条理的操作可以通过一系列明确的指令序列实现自动化操作。

然而，在整合分散存储的信息后，则会突然间产生构思或解决困难的方法。

这种思维方式的核心在于两个关键方面:一是信息以分布在各个神经元之间的兴奋传播形式存储于网络中;二是信息处理则通过不同神经元间的相互协作活动实现。人工神经网络则是一种模仿人类思维机制的技术框架。

这一类非线性动力学系统的显著特点是信息以分布式形式存储并实现协同处理。尽管单个神经元虽然构造简单、功能单一,但由大量神经元组成的网络系统却能够表现出极为丰富多样的行为特征

在执行前按照预先设定的学习规则进行训练的人工神经网络才能开始发挥作用

采用人工神经网络用于判断手写字符是否属于A或B，并规定若输入字符为A，则系统应返回值1；若输入字符为B，则返回值0。

因此，在制定或遵循网络学习准则时应当注意：当系统或算法在执行任务时出现误判情况后，在后续的学习过程中应采取措施以降低再次出现类似错误的风险。

在本步骤中, 我们为各连接赋予（0,1）区间内的随机权重值. 接着, 将图像模式A输入至该网络. 网络随后计算输入模式的加权总和, 对比预设阈值, 最后执行非线性运算以生成输出结果.

在当前情境中, 当网络输出结果出现"1"和"0"的概率均等时, 这意味着其行为本质上是随机的. 如果此时观察到输出结果为"1"(即判断正确), 则会促使相关联的权重系数增加, 从而使得当未来再次遇到"A"模式输入时, 系统仍能做出准确的判断.

如果输出为零（表明出现计算错误），则需要将网络的连接权重沿着降低综合输入的加权总和的方向进行调整。这一措施的主要目的是降低下次遇到"A"模式输入时重复出现相同错误的风险。

进行相应的调整操作；当向网络反复输入一定数量的手写字符号'A'、'B'后，并通过该学习方法进行多次训练之后，其准确识别率显著提升。

这一过程表明该网络在学习这两个特定模式方面取得了显著成效。值得注意的是，在这种情况下系统通过其复杂的权重分布实现了对这两类数据的高效存储。无论输入的是哪一种情况，在这种情况下系统都能迅速识别并正确分类。

通常情况下，在一个网络中所含有的神经元数量越多，则该网络能够记忆和识别的信息模式也会随之增多。

南搞 children's program: A simulation program for artificial neural networks has been developed, and the experimental system (BP network) version V1.0 Beta was authored by Shen Qi. Author's description of the program: By running this program, one can observe that the 'output' neurons converge to the value 0.515974 after executing the first three 'learning' commands.

在完成三条新的学习行为后，系统对其进行了评估，并收敛至数值为~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~\boxed{P_{Out_2}= 0.52 }\boxed{P_{Out_2}= 0.52}。接着观察处理编号4和编号\mathbf{9}的指令结果\mathbf{P}_{\mathbf{O}\mathbf{u}\mathbf{t}_\mathbf{2}}=\mathbf{ }\mathbf{ }\mathbf{ }\mathbf{ }\mathbf{ }\mathbf{ }\boxed{\textcolor[rgb]{889966}{\text{\textbackslash!}}} \boxed{\textcolor[rgb]{889966}{\text{\textbackslash!}}} \boxed{\textcolor[rgb]{889966}{\text{\textbackslash!}}} \boxed{\textcolor[rgb]{889966}{\text{\textbackslash!}}}时发现...

听起来很神奇吗？试试输入’show’指令看看结果如何吧！你的大脑已经形成了一个基本的人工神经网络模型啦！你可以自由设定不同的'模式'让这个'大脑'去学习区分各种类型哦！只要提供足够的训练样本数据（这些数据可能含有一定误差），并且在测试集上能够收敛地工作（即表现稳定），那么这个系统就能达到一定的识别准确性哦！需要注意的是，并非绝对精确无误因为它具有模糊识别能力的特点。查看Process输出的结果接近哪个Learning目标值就能判断出系统所做出的模糊识别结论啦！南搞小孩参与的神经网络研究社区包括人工神经网络论坛（旧版枫舞推荐）、国际神经网络学会（INNS）、欧洲神经网络学会（ENNS）、亚太神经网络学会（APNNA）等多个机构和平台。人工智能研究者俱乐部2nsoft提供的中文站是南搞小孩精心整理的部分书籍资源：包括《人工神经网络技术入门讲稿》PDF格式文档、《神经网络FAQ》电子资料以及《数字神经网络系统》电子图书等；南搞小孩还收集了一份非常有价值的讲座PPT文件虽然较大但建议网速较慢时使用鼠标右键下载另存为本地文件以便查阅使用哦~

BP神经网络的可行性分析

我的毕业论文中包含了神经网络这一部分内容。人工神经网络是人类思维的两种主要认知方式的基础模型。

理性思维即指依据逻辑规则展开推理的过程。该思维先将信息抽象为概念，并以符号形式表达。接着,基于这些符号运用串行运算模式展开逻辑推理。进而可将其转化为计算机运行指令。

然而，具有直观性的思维模式是能够对分散存储的信息进行整合与融合的过程，在这种情况下会突然触发创新性思维并形成解决方案的方法。

其核心基础在于两个关键方面：首先，信息的传递机制主要体现在神经元间通过特定的兴奋模式进行信息编码；其次，在线性代数框架下构建的人工神经网络模型能够有效模拟复杂认知过程中的动态行为。

这是一个非线性动力学系统，在其显著特点方面主要体现在信息以分散形式存储，并通过协调工作实现整体功能上。单一神经元具有简单的结构和有限的功能特性；然而由众多神经元组成的网络能够执行多种复杂的任务

4.1 人工神经网络学习的原理 在训练过程中遵循特定的学习标准进行参数调整，在完成这一阶段后才能发挥其基本功能。

举例而言，在人工神经网络处理“A”和“B”这两个字母时，“A”的识别结果应为1，“B”的识别结果则应为0。我们规定：当人工神经网络接收输入为“A”时，其输出应为数值1；若输入为“B”则输出数值0。

所以网络学习的原则应该是：当网络系统作出错误判断时，则通过该学习机制的学习过程（learning process），从而让该系统减少在下次遇到相同情况时再次出现类似错误的可能性。

在本步骤中，我们设定网络各连接的权重系数为(0,1)区间内的随机数。随后将“A”所对应的图像样本作为输入提供给该神经网络模型。该神经网络模型会对输入样本执行加权求和操作，并将其结果与预设阈值进行比较。然后进行非线性变换处理以获得最终输出结果。

在这种情况中，在这种情况下，在此情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，在这种情况下，
在此情况中，
网络输出结果'1'和'0'的概率均各占50%，这表明其行为完全是随机的。
此时若输出结果为'1'(即结果正确)，则会促使相关连接权值增大以增强未来识别'A'模式输入时的准确性。

当输出结果为零时（即出现错误），应将网络中的连接权值朝向减少综合输入加权总和的方向进行调整。这样做的目的是为了让网络在再次遇到"A"模式输入时降低犯同样错误的概率。

为了提高效率，在向网络输入多个手写字母'A'、'B'时，我们对其进行相应的调整，并使网络应用上述学习方法反复训练之后；其判断精度会有明显提升。

这一过程表明，在学习两个特定模式后所取得的成功是显著的；这些特定的分布特征已被有效地编码到网络的各种连接权值中；面对任何一个被学习过的特定模式时，在识别阶段都能迅速且精确地完成相应的任务

通常情况下而言，在网络内部拥有更多的神经元数目意味着其信息处理能力会得到提升。

4.2 人工神经网络的优势与劣势 该系统模仿生物神经系统的工作模式具备仿生特性，并为此开创了人工智能研究的新范式。其优点主要体现在：首先具备高效的分布式处理能力。其次，在其神经系统布局并非杂乱无理的情况下实现了信息的有效传递与处理。具体而言，在 neural 网络中通常呈层次化布局或按一定顺序排布。值得注意的是，并非所有 neural 结构都具备强大的信息传递能力；例如，在某些特殊配置下可能无法有效完成信息传播任务。此外，在 parallel 处理方面虽然拥有一定的优势但其性能表现仍受硬件资源与算法优化程度的影响

同时，在将每一个神经元视为一个简单的处理模块时，则整个系统构成一个分布式计算架构；这样便能够有效规避以往存在的"匹配冲突"、"组合爆炸"以及"无穷递归"等问题；该架构具有高效的推理性能。

（2）可学习性一个相对较小的人工神经网络能够存储大量专家知识并具备自主学习能力。该网络遵循特定的学习算法能够在有教师模式下基于训练数据集中的样本对输出结果进行比较和误差梯度计算并在误差梯度下降方向更新权重参数；而采用无教师模式时则依靠某种无监督的学习机制不断调整权重参数以实现自我优化和改进知识库的质量。

（3）鲁棒性和容错性基于大量神经元及其相互连接的架构设计，在具备强大的联想记忆和映射功能的基础上，显著提升了相关专家系统的容错性能。在人工神经网络中，即使个别神经元出现故障或失活，在整体系统功能上也不会产生重大负面影响。

而且解决了传统专家系统中存在"知识贫瘠面"的问题。（4）人工神经网络具有强大的适应性作为复杂系统的适应性基础。这为实现自组织与协同发展提供了基础保障。这种体系能够有效地模拟复杂的非线形关系

当输入出现微小波动时，在处理这些微调后得到的输出结果与原输入处理后的结果之间的差异不大。这种特性表明该系统在面对轻微输入变化时表现出良好的稳定性。

采用单一的知识表示架构，在同一神经网络的各种连接权重中能够存储任意的知识规则，并且便于构建和维护知识库。适应性较强。

尽管人工神经网络具有诸多优势，但受限于其固有的内在机制，它也不可避免地存在一定的局限性：首先，在缺乏对自身推理逻辑与依据的理解方面存在明显不足；其次，在对决策支持与结果可靠性方面的解释不够清晰；最后，在提供决策依据透明度方面同样表现出所缺失的特点。

（2）神经网络无法主动向用户提供必要问题，并且尤其在数据不足的情况下也无法正常运行。（3）神经网络将所有问题的特征转化为数字化形式，并使所有的推理过程转化为数值运算。这种做法必然会导致信息损失。

（4）尚需持续优化与提升的神经网络理论与学习算法仍需进一步改进和完善。（4.3节）对神经网络的发展趋势进行了深入分析，并探讨了其在柴油机故障诊断中的应用前景。（该技术）开创了系统分析的新途径

神经网络型专家系统构成一类创新的知识表达体系；相较于基于高层逻辑的传统专家系统而言,其本质上属于一种多层次数值计算架构；其信息处理机制主要依赖于大量简单处理单元（节点）之间的协同作用实现

基于该系统采用的分布式的分层信息存储策略，在支持专家系统的知识获取、表示和推理功能的同时，提供了一种创新性的解决方案。

该系统整合了逻辑推理和数值计算技术。主要借助神经网络的学习能力和联想记忆能力，并采用分布式并行信息处理技术。旨在解决诊断系统中涉及的不确定性知识表示与获取问题以及并行推理过程。

基于经验样本的学习过程中, 专家知识被按照权重和阈值的方式存储于网络中, 并通过利用网络信息稳定性的特性来进行非精确性诊断推理过程, 较好地模仿了专家凭借经验和直觉而非复杂计算进行推理的过程。

然而这一领域涉及多个学科领域的知识融合，并且目前尚处于发展阶段。在某种程度上而言，装备系统的故障情况较为复杂;但同时也存在一些局限性：其一，在一定程度上受到现有脑科学研究成果的影响

因为生理实验具有一定的复杂性，在当前阶段对人脑思维与记忆机制的认识尚不充分。（2）在这一领域中，我们仍缺乏完善的理论体系。

现有研究表明，在现有的人工神经网络领域已经提出多种不同的模型架构。这些研究大多集中在通过调整不同参数和优化算法来提升系统的性能上，并且在实际应用中取得了显著的效果

这些学习策略大多各自为政,难以汇聚于一个完整的框架之中。（3）呈现出明显的战略特征。这是自发地形成的一种产物,在缺乏系统性的理论基础支撑下解决某些应用问题。（4）与传统计算技术的衔接不够完善。

人工神经网络技术无法完全取代传统计算技术，在特定领域内与其相辅相成。因此必须解决与其现有体系的技术对接问题才能获得自身的发展

尽管当前的人工神经网络（ANN）在某些方面仍有明显的局限性，但将人工神经网络与传统专家系统相结合开发出高效的智能故障诊断技术仍然是未来研究的重点之一。这种技术能够充分利用两种技术的独特优势。

神经网络在数值计算方面有专长，并特别适用于处理浅层的经验性推断;专家系统以符号推理为核心能力，并能够有效地执行深层次的逻辑推演。

该智能系统采用并行运行模式，在覆盖的状态监测与故障诊断领域更加广泛，并不仅实现了状态监测与故障诊断的实时性的同时还重视数值计算能力的提升从而使其能够适应当前故障诊断领域的主要特征及发展趋势

随着人工神经网络技术的不断发展和成熟，在智能故障诊断领域的应用前景广阔。基于其现有优势与不足，当前研究者倾向于结合传统专家系统来开发相应的神经网络专家系统。

通过理论分析和实际应用的结果表明，在研究与应用领域得到了神经网络专家系统的广泛应用和发展前景良好。从结构设计和运行机制的角度来看，在技术发展过程中表现出高度的相似性

它的工作原理与活塞式压缩机存在本质差异，并不采用压缩体积的方式提高压力，而是依赖动能变化来提升压力。

离心式压缩机由带有叶片的转子构成，在正常运转过程中，在这种情况下叶轮不仅推动气体流动而且为气体提供动力随后一部分动能被转换为压力能从而使气体的压力得到提升

这种离心式压缩机在运行时持续地吸入制冷剂蒸汽，并通过半径方向排出。因此将其命名为离心式压缩机。其中根据工作轮的数量不同，则分为单级和多级两种类型。

当仅有一个工作轮时，则被称为单级离心式压缩机；而由多个工作轮依次串联构成，则被称为多级离心式压缩机。在空调系统中因压力升高幅度较小的原因，在大多数情况下会采用单级设计；而在其他领域（如制冷设备中），通常采用多级设计。

单级离心式制冷压缩机的构造主要由工作轮、扩压器和蜗壳等所组成。

该压缩机运行时制冷剂蒸汽从吸气端径向流入吸气室，在该室内导流装置的引导下均匀地来自蒸发器（或中间冷却器）的制冷剂蒸汽，并依次供应到高速旋转的工作轮3（即常说的叶轮）。需要注意的是，在离心式制冷压缩机中工作轮扮演着关键角色，在此设备中其重要性在于能够传递能量给气体。

汽体受叶片影响，在工作轮带动下高速旋转的同时，在叶片槽道内进行扩压流动。这种流动状态使得汽体的压力与速度均得到显著提升。

经工作轮出口的气态物质随后进入一个截面积逐渐扩大的扩大器（由于气态物质从涡轮出口时具有较高的出口速度，在扩大器中将部分动能转化为压力能以提升气态物质的压力）。该气态物质在经过该扩大器的过程中其速度逐步降低同时压力值持续上升

通过压缩机使气体汇聚到蜗壳内，之后通过排出风口引导至中间冷却器或冷凝器内部。

二、离心式制冷压缩机的主要性能与优势离心式制冷压缩机相较于活塞式制冷压缩机而言具有显著的优势主要体现在以下几个方面:(1)其具备较大的制冷能力在相同制冷量的情况下其体积小巧占地面积仅为其同类产品的五分之一至八分之一同时重量较之轻薄约5至8倍。

(2)与之相比,该机械设备采用无气动活塞环设计,并省去了曲柄机构,因此具有稳定可靠的运行特性,运行平滑安静,操作简便易行,维护成本较低。(3)该设备的设计特点在于工作轮与机壳采用无摩擦接触面结构,从而无需专门的润滑处理

由于制冷剂蒸汽与润滑油未直接接触因而蒸发器和冷凝器间的传热效率得以增强。（4）该系统在调节制冷量方面较为经济且较为方便并具有较大的调节幅度。（5）该离心式制冷压缩机在适应不同种类的制冷剂方面存在局限性并不能实现多类型制冷剂的有效匹配

因为选用分子量较大的制冷剂更适合应用于较高热能载冷量的情景下

经过持续优化升级的离心式制冷压缩机技术，在空调系统中应用时其单机制冷能力最低可达每小时十万大卡级。从各相的热力状态间的相互关联性角度分析制冷与冷凝温度、蒸发温度之间的关系特征。

根据物理学原理，在回转体系统中，其动量矩的变化量等于所受外力矩的作用效果。具体而言，在该系统中存在如下关系式：T = m(C_2 U R_2 - C_1 U R_1)。为了进一步分析系统的能量传递特性，在上述等式两端乘以角速度\omega后可得：T \cdot \omega = m(C_2 U \omega R_2 - C_1 U \omega R_1)。由此可得主轴上所加载荷的功率N为：N = m(U_2 C_2 U - U_1 C_1 U)。将等式两边同时除以质量m后，则得出叶轮对单位质量制冷剂蒸汽所做的功，即叶轮的能量头。

离心式制冷压缩机的性能特征主要表现为理论能量头与流量之间的变化关系。该压缩机的工作原理也可以用以下公式表示：W = U₂C₂ - U₁C₁ ≈ U₂C₂（其中进口处的比容 C₁ ≈ 0）。进一步推导可得 W = U₂² (1 - V υ₁ cotβ) / (A₂ υ₂ U₂)，其中 V 表示叶轮吸入蒸汽的容积通量（m³/s），υ₁ 和 υ₂ 分别为叶轮入口和出口处的蒸汽比容（m³/kg），A₂ 和 U₂ 分别表示叶轮外缘出口面积（m²）与圆周速度（m/s），β 为叶片安装角。由此可见，在其他参数固定的情况下（如转速、冷凝温度、蒸发温度及叶轮吸入蒸汽容积流量），理论能量头 W 受压缩机结构参数 A₂ 和 U₂ 以及叶片安装角 β 的显著影响。

在结构固定且转速恒定时，在压缩机系统中

基于离心式制冷压缩机的特点分析可知，在选择冷媒时应优先考虑具有较高分子量的种类。现有用于此类压缩机的冷媒包括氟 R-11、氟 R-12、氟 R-22以及氟 R-744和氟 R-745等几种。

我国目前在空调用离心式压缩机中的应用较为广泛的两种型号是F—11和F—12，并且通常在蒸发温度不高且有较大制冷量的需求下采用离心式制冷压缩机技术。

另外，在石油化学工业中离心式的 refrigeration compressors 通常以丙烯和乙烯为 refrigerants；仅当其 refrigeration capacity 较大时才选用氨作为 refrigerant

三、离心式制冷压缩机的调节机构 离心式制冷压缩机与其他类型 的 制冷设备 协同作用 形成一个 综合 的 能量 供给与消耗 系统

在运行过程中，制冷机组仅在以下两种情况下维持稳定状态：第一，在压缩机和设备之间实现制冷剂流量的一致；第二，在压缩机的能量输出与其所面对的阻力之间实现协调。

然而制冷机的工作负荷会受到环境条件以及用户的冷量需求的影响。因此为了满足用户对变冷负荷的需求以及实现安全经济运行就需要根据外界的变化来调节制冷机组。对于离心式制冷机组而言其制冷量可以通过以下几种方式进行调节：第一种方式是通过改变压缩机转速；第二种方式是采用可转动进口导叶；第三种方式是调整冷凝器进水量；第四种则是进行节流操作等方法其中最为常用的是通过旋转进口导叶以及进行节流这两种调节手段

具体而言，在制冷设备中，转动进口导叶调节是一种通过旋转压缩机进口处的导流叶片以实现对进入涡轮的气体旋流进行控制的技术手段。这种操作方式能够有效调节工作轮施加于气体的动能变化量，从而实现对整个系统的制冷量进行精确调控。

简称为进汽节流调节

离心式压缩机通过最佳经济方法调节制冷量，即调整进气导叶角。这种调整能够实现对蒸汽速度方向(C1U)和流量V的有效控制。其中流量V需维持在正常运行区间内，以防止系统效率降低。