专利名称：多路温控器的制作方法
技术领域：
本发明专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用 于多路温控器改造。
背景技术：
现代化的电线电缆生产流水线中普遍采用微机多路温控器，例如漆包机书的八组 温度控制器是将漆包机烘炉分为退火I区、II区、回气区、蒸发区、新空气区、固化区、催化 前区和后区；挤出机中的多路温控器是将挤出机分为机头区、机颈区、机身1 4区；利用 微机巡回检测，对生产进行监控，对故障进行自诊断，同时控制多个温控区。由于神经网络 具有较好的学习能力和非线性逼近特性，以神经网络为基础的控制器在理论和实际应用上 已有一定的研究，包括神经网络为基础的控制器。由于神经网络的学习能力对整个控制器 的性能具有很大的影响，因此本发明提出了一种改进的神经网络学习方法。BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差 最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过 程是一种误差后向传播修正权系数的过程。一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的 快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不 降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法 提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。
发明内容
本发明利用下述改进的神经网络学习方法，提出了一组循环流化床锅炉优化方 法。BP网络计算的主题步骤(a).置各权值和阀值的初始值
ρ = 1，2...Q)其中ρ为第若干层，Q
表示总层数(b).输入训练样本(I,，dq), (ρ = 1,2...Μ)其中M表示输入输出数量，对每一个 样本计算输出和权值修正(c).计算网络各层的实际输出Xp = f(sp) = MwVri)，式中f⑷为激活函数(e)若其输出与各顶模式对的期望输出不一致，则将其误差信号从输出端反向传 播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望 输入值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到 完成个训练学习为止。以下利用共轭梯度法对权值修正考虑二次型性能函数
其梯度为
其二阶梯度是Hessian矩阵丑=V2Eiw) = Q。于是，梯度的改变量是
式中，α [k]是在时刻延方向p[k]搜索使性能函数E(W)最小的学习率对于二次型性能函数，最优学习率按下式确定对
于是，根据共轭
条件，并由于学习率是一个标量，所以α [k]pT[k]Hp[j] = AgT[k]p[j] =O0共轭条件就 转变为搜索方向P[j]与梯度的改变量Ag[k]正交，而与Hessian矩阵无关。初始搜索方向p
可以是任意的，第1个迭代方向p[l]只要与Ag
正交 即可，通常以最速下降方向开始，后续的方向p[k]只要与梯度的改变量序列{Agto]， Ag[l], ... Ag[k_l]}正交即可。一种简要的方法是采用迭代P[k+1] = β [k+1] P[k]-g[k+l]其中二綱=？]
其中 μ 为常数，a = a (k_l)
图1为本方法中改进神经网络的结构图
具体实施例方式本发明利用改进的神经网络学习方法，提出了一组多路温控器改造方法，其中改 进的神经网络按以下步骤实现(a).置各权值和阀值的初始值<(0)<(0)，(ρ = 1,2...Q)其中ρ为第若干层，Q
表示总层数(b).输入训练样本(I,，dq), (ρ = 1,2...Μ)其中M表示输入输出数量，对每一个 样本进行(c) (e)步(c).计算网络各层的实际输出Xp = f (Sp) = MwVri)，式中，f⑷为激活函数(d).计算梯度g (k)和梯度改变量Δ g [k](e).修正权值
其中 μ 为常数，a = a (k-1)其中p[k]是关于w(k)序列、β [k]序列、g[k]序列的函数，如P[k+1] = β [k+1] P[k]-g[k+l](f).当样本集中的所有样本都经历了 c e步，即完成一个训练周期，计算性能指 标 (g).如果性能指标猫族精度要求，即E彡ε，那么训练结束，否则转到(b)，继续下 一个训练周期。ε是小的正数，根据实际情况选取。
其中β[k]的计算方法如下 其中激活函数可采用三角函数、双极性函数、分段函数、sigmoid函数、基于 sigmoid函数的变形函数等。所述修正权值特指在个迭代计算若干次后，将搜索方向重新设置为梯度方向，再 按(e)迭代。
权利要求
多路温控器的技术特征是本发明利用下述改进的神经网络学习方法，提出了一组循环流化床锅炉优化方法。；所述改进的神经网络学习方法流程按以下方式进行(a).置各权值和阀值的初始值(p＝1，2...Q)其中p为第若干层，Q表示总层数(b).输入训练样本(Iq，dq)，(p＝1，2...M)其中M表示输入输出数量，对每一个样本进行(c)～(e)步(c).计算网络各层的实际输出xp＝f(sp)＝f(wpxp-1)，式中，f(*)为激活函数(d).计算梯度g(k)和梯度改变量Δg[k](e).修正权值w(k+1)＝w(k)+μkw(k-1)+α(k)P(k)，其中μ为常数，α＝α(k-1)其中p[k]是关于w(k)序列、β[k]序列、g[k]序列的函数，如P[k+1]＝β[k+1]P[k]-g[k+1](f).当样本集中的所有样本都经历了(c)～(e)步，即完成一个训练周期，计算性能指标， <mrow><mi>E</mi><mrow> <mo>(</mo> <mi>w</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><msup> <mi>w</mi> <mi>T</mi></msup><mi>Qw</mi><mo>+</mo><msup> <mi>b</mi> <mi>T</mi></msup><mi>w</mi><mo>+</mo><mi>c</mi> </mrow>(g).如果性能指标猫族精度要求，即E≤ε，那么训练结束，否则转到(b)，继续下一个训练周期。ε是小的正数，根据实际情况选取。F200910048007XC0000011.tif,F200910048007XC0000012.tif
2.根据权利要求项1，所述激活函数的技术特征是激活函数可采用三角函数、双极性函数、分段函数、sigmoid函数、基于sigmoid函数 的变形函数，等。
3.根据权利要求项1，所述修正权值的技术特征是所述修正权值特指在个迭代计算若干次后，将搜索方向重新设置为梯度方向，再按(e) 迭代。
4.根据权利要求项1，所述β[k]的技术特征是 ■= <[琴-1]或_ = /[聊]
全文摘要
本发明多路温控器，涉及一种智能控制方法，特别是一种改进的神经网络控制方法，针对多路温控器控制对象的非线性，利用改进的神经网络学习方法，提出了一种多路温控器优化方法；其中改进的神经网络采用w(k+1)＝w(k)+μkw(k-1)+α(k)P(k)作为改进的权值修正方法。
文档编号G05D23/19GK101847019SQ20091004800
公开日2010年9月29日 申请日期2009年3月23日 优先权日2009年3月23日
发明者程明 申请人:上海都峰智能科技有限公司