《使用RBF神经网络进行优化冷藏库的控制___毕业设计论文外文文献翻译》由会员分享，可在线阅读，更多相关《使用RBF神经网络进行优化冷藏库的控制___毕业设计论文外文文献翻译（22页珍藏版）》请在金锄头文库上搜索。
1、使用 RBF 神经网络进行优化冷藏库的控制文摘:近年来,先进控制技术最优控制冷藏。但仍有许多缺点。的一个主要问题是,传统方法不能实现在线预测最优控制制冷系统的简单而有效的算法。一个 RBF 神经网络有很强的非线性映射能力,一个好的插值性能,价值和更高的训练速度。因此本文提出了一种两级RBF 神经网络。将测量值与预测值,两级 RBF 神经网络用于在线预测最优控制的冷藏温度。新方法的应用效果显示一个巨大的成功。关键词:RBF 神经网络、冷藏、在线预测最优控制。介绍冷库温度的预测最优控制找到了广泛应用在农业工程,特别是冷藏的水果和蔬菜保鲜的。所有的 currently-used 温度控制单元面临如何
2、选择最适温度为控制对象的问题，如何进行冷藏库温度的变化，和如何实现最优控制。大量的工作研究了前面的方法是基于泰勒级数理论和 PID 控制算法 1,5。后来,毛皮商的转换方法,切比雪夫的理论和一些基础知识的系统我们得到了并且使用了更好的结论(2、3) 。近年来,英国石油公司将神经网络用于冷库温度的最优控制。BP 神经网络具有良好的非线性映射的性能,但它有太多的地方并不是那么理想,通常是其训练速度太慢了(2、5)。因此它不能方便地用于在线控制计算。后来也提出了一种两阶段 RBF 神经网络实现在线最优控制的冷藏温度。在第一阶段的使用过程中确定当前最佳制冷系统的温度,和第二个阶段是用于在未来时间点进行
3、确定温度的值。此外, 他的解决方案是用于制冷系统的直接行动，一个最难的问题是解决了。采用 RBF 神经网络分为两个阶段。第一阶段是用来确定最佳值的冷藏温度, 而第二个是用来预测温度。一般来说,假设 n 个输入变量 , 和 m 个输出变量 , .则：1xn 1ym1(,.)Tnx=(1)1(,.)Tmy(2)使用 RBF 神经网络最优控制冷藏， 代表一个点的 n 维输入空x间 ,而 代表一个点的 m 维输出空间 ,假设隐藏的单位的数量是nRy mRH。每个隐单元使用了两个参数,一个是标量 ,另一个是矢量。假设的训练样本集是 。一般来说,应该满足 。RBF(),kxyKnHK神经网络是基于插值 r
4、adius-based 功能的性能。为了改善性能,使用下列方程计算出 RBF 神经网络的输出 。j2121()exp,1()Hjhhjhhyjmvs=-(3)在这里,分子是一种传统的 RBF 插值算法表达式,而分母不变的插值表达式（1）通过这种分母,衰减指数函数的分子是取消了极大的分母。通过这种方式,改进的 RBF 神经网络具有更好的性能。3、在线计算的冷藏温度选择的目标价值冷藏温度,需要综合考虑所有的因素。为了合理地使用能源,制冷过程中应该有一个高性能系数 ，而 和制冷量子0e0与所需的能源 的关系应该满足公式0QP(4)0Qe=研究结果表明, 随蒸发温度和冷凝温度的下降而增加，而且一0个更
5、高的蒸发温度和冷凝温度较低有利于保持新鲜的水果和蔬菜。因此,制冷系统应该运行在更高的蒸发温度和冷凝温度较低的环境中。然而,蒸发温度显然是在冷藏条件下的温度对象的限制。为一种特殊的水果或蔬菜就进入冷藏，它的最佳储存温度可以得到正交实验方法。最佳储存温度随着储存时间的增加而减小。单位水果或者蔬菜的损失满足公式(5)(1)(2)iiiL=+式中 是由水果或蔬菜被冻伤造成的，而 是由于时间关系而(1)i (2)iL日益恶化造成的。当环境温度升高了， 降低但是 会升高。这两(1)i ()i个数据都和存储时间 相关。因此，t(6)(1) (2)()0()0,i iiiiiLLfTtfTttt=-=-在这个
6、式子中， 会随着温度 的升高而降低，但是 会升高。(1)if (2)if表示进入存储的时间， 则表示表示存储时间,然后我们有0it 0it-0(1)(2)0,itiiitLfTtftdt=+-(7)对于水果或者蔬菜来说，其最佳储存温度 应该满足以下方程*iT(1)*0(2)*0,iiiiifTtfTt-+=(8)设水果或蔬菜的重力是 ，其存储损失为 ，则在单位时间间igigL隔内总存储损失为(1)0(2)0,niiiiLgfTtftt=-+-(9)设 表示最佳储存温度。它应该满足*2(,)0LTt=(10)就是(1)*0(2)*01,niiiiiifTtfTtg=-+=(11)用上面传统的方法
7、计算 是比较费时间的，因此我们使用 RBF*iT神经网络实现的解决 方案。这种 RBF 神经网络的第一部分提出两*i级 RBF 神经网络。这种网络只有一个输出， ， ，并且有 2n 个.ie*iT输入，即 , 和 , 。 在这里作为隐藏的单位使ig1n0it-1nH=用，方程（11）用于产生足够的训练样本。4、冷库温度的在线预测最优控制的关键问题之一的存储温度是如何准确预测温度。因为他们的鲁棒性,基于神经网络的预测方法吸引了越来越多的关注。BP 神经网络是一种早期的神经网络用于这一目的。但它的训练时间通常是太长,和它有很多局部最小值点。因此,RBF 神经网络由于其较高的训练速度吸引了越来越多的
8、关注。本文采用两级 RBF 神经网络预测存储温度。在预测过程中,温度和湿度之间的耦合关系应该考虑。本文选择输出变量, 在同一时间内设置包括温度变量和湿度变量。输入变量的选择考虑是否有执行控制,涉及以下两种不同的情况:案例 l:自动控制系统假设有 R 个冷藏的操作变量 和 S 个状态变量 。考虑1,.Ru1,.Sv一个时间窗口组成的 个时间点,2Q(12)12(),(),. QQtttt+=-D=-=+分别用 和 表示 和 在 时的值，令()qru()srusqt(13)(1)()1()()()()11,.,.,.,.,.QQTRSRSxvv=(14) ()(2)()211QTy+式中 ，这些预
9、测的作用是根据（13）式中的向(),nSm=量 确定（14）式中的 ，在当前时间 ，所有的测量结果可以用来xy0t构造预测网络的输入。假设所有的操作变量和状态变量可以被测量，但是在以后他们的值都是未知的。为了构建一个预测样本，相关的时间 应该满足公式 。否则,未知值将包含在示例将是不t 0tQt-D合理的。假设已经得到了足够多的样品 ，首先,计算隐(),1,2.kxyK=藏单位的参数,然后计算存储温度的预测价值。例 2:自动控制系统此时,输入变量的设置只包含环境温度、湿度和量子存储的水果和蔬菜,等等。任何输入变量不出现在控制算法,而预测变量是稳定状态变量的值。RBF 神经网络的非线性映射函数是
10、用来设计稳定模型。当状态变量的稳定值,控制算法用于计算仓库的温度, 因此预测变量的集合不包含任何变量控制。这就是为什么预例 2 中设置预测变量和控制变量与例 1 的不同之处。5、在线最优控制的冷藏温度普通 PID 控制算法的一个变量单位需要以下公式0()()()()1)ksdc sisTukKeeku=+-+（15）和 分别是初始值和控制变量的当前值。 是分配值和控su()k ()ei制对象的实际价值的区别,即()()eivit=-（16）和 分别是 时间点处的实际值和分配的控制对象的值，()vitith-写出方程(15)的增量形式 ,然后我们可以得到()(1)()1)()22cidukkKe
11、kKekKeD=-=-+（17）式子中 是积分系数, 是微分系数。用另一siciT=ddcsTK=种形式写上面的方程,我们可以得到2()()()cidukKekeD+D（18）在得到控制变量的预测值的情况下，式(17)和（18）就会发生改变。 表示当前时间，并且设在 和 时刻变量 的预测的值kt 1kt+2ktv分别是 和 ，令(1)v+:(2):（19）ekkt=-: ()()ekvkt=-: :结合历史值和变量的预测值计算方程 (18) 的右边。令（20）1()()(1)(2)(1)ekekekekabgD-+-+-+:（21）222g=:23 33()()1)()(1)ekekek-+:
12、 :（22） 用这个方法，方程（18）可以变成一下格式2()()()()cidukKekKeD=+D:（23）上式中 的值应该满足123,abgabg， ， （24）110,+=210,+=3310,abg+=因此系统中只有6独立系数待定。选择这些系数作为条件来确保他们能够让的数学期望最小,也就是123,ab说,我们有以下方程（25）2min()Eek与下面的约束条件 1122330,;0,;1;0,;1ababab-所有的 的初始值可以被选为 。23,6、应用程序本文提出的方法已被用于最优控制温度冷藏的水果和蔬菜。表1列出了水果和蔬菜的日常存储损失之前和之后使用本文提出的方法。对于一种特殊的
13、水果或蔬菜来说,其日常损失率是指 /,1iilLEiN=式中 表示水果和蔬菜的种类的数量, 和 分别表示每天NiLiE入口的 特殊水果或蔬菜的损失和市场价格， 。只是损失ith- 1N不包括水果或蔬菜腐烂而被丢弃的部分, 而且也存在越来越不新鲜了而造成的价格降低，假设水果或蔬菜的市场价值是基于其存储容量 ， 。每天总损失率可以根据以下公式计算 。iW1/Niijjw=1Nilwl=从表,我们可以看到,通过使用本文提出的控制方法,保鲜效果已经大大提高,系统运行更稳定7.结论本文提出了一种两级RBF神经网络计算的最佳冷藏温度和温度的预测。在此基础上,修改后的PID控制算法。以这种方式实现温度的在线
14、优化控制,并得到了满意的结果。两级RBF神经网络具有强大的非线性映射能力和插值的一个很好的性能值，它也有一个更高的训练速度。本文提出的方法可用于其它控制问题在农业工程与一个伟大的前景。Using RBF Neural Network for OptimumControl of a Cold StorageShi Guodong, Wang Qihong , Xu Yan & Xue GuoxinJiangsu Institution of Petrochemical Technology, Changzhou , P.R.China(Received November 26, 1999)Abs
15、tract :In recent years ,advanced control technologies have been for the optimum control of a cold storage. But there are still a lot of shortcomings. One of the main problems is that the traditional methods cant realize the on-line predictive optimum control of a refrigerating system with simple and
16、 valid algorithms. An RBF neural network has a strong ability in nonlinear mapping, a good interpolating value performance, and a higher training speed. Thus a two-stage RBF neural network is proposed in this paper .Combining the measured values with the predicted values , the two-stage RBF neural network i
