一种径向基神经网络基于离散粒子群训练的方法技术

本发明专利技术公开了一种径向基神经网络基于离散粒子群训练的方法，该方法结合离散粒子群自适应寻优和最优梯度下降法的特点，利用离散粒子群随机搜索功能和最优梯度法快速学习功能，弥补了传统神经网络学习陷入局部最优缺陷，实现全局域搜索功能，与传统方法相比，本发明专利技术具有较强的搜索能力，自适应调节功能及较强的稳定性。

【技术实现步骤摘要】
一种径向基神经网络基于离散粒子群训练的方法
本专利技术属于燃煤机组协调控制和脱硝控制领域，具体涉及一种径向基神经网络基于离散粒子群训练的方法。
技术介绍
我国以燃煤电站为主的电力供应格局在未来相当长的时间内不会发生根本性改变，而燃煤机组的协调优化控制和脱硝优化控制一直以来是众多专家学者研究的重点问题，特别如何能根据机组不同工况的变化自适应匹配控制器的前馈量。目前，常规的方法主要还是构建单变量前馈，这种方式只能考虑单因素的变化对控制器的作用，而如何考虑多变量的影响，并且构建自适应前馈一直以来是一个重要研究方向。目前来说，多变量前馈构成主要采用神经网络自适应匹配的方法，然而神经网络的自学习目前仍存在诸多的问题，且学习过程往往陷入局部最优而无法实现全局最优匹配。其他的一些诸如代数几何模型和传递模型构建的前馈，其结果的准确性和模型非线性空间的匹配性仍需要进一步的发展。
技术实现思路
本专利技术的目的在于针对现有的在线辨识传递过程参数方法的RBF神经网络学习能力不足，提供了一种径向基神经网络基于离散粒子群训练的方法，具有较强的搜索能力，自适应调节功能及较强的稳定性。为达到上述目的，本专利技术采用如下的技术方案予以实现：一种径向基神经网络基于离散粒子群训练的方法，包括以下步骤：1)构建5-N-1型径向基神经网络系统，确定系统输入变量为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]T，中间隐含层神经元个数为N，系统输出为u(t)，被控量为y(t)；2)通过步骤1)的输入变量x(t)构建中间隐含层神经元对输出层的激励φ(x,ci)，同时设定输入变量对隐含层神经元的权值固定为1，隐含层神经元到输出单元之间的权值为wi；3)将步骤2)中的激励φ(x,ci)和隐含层神经元到输出单元之间的权值wi相乘，求取累积和，得到系统响应输出u(t)；4)利用步骤3)得到的系统响应输出u(t)和系统实际输出um(t)，定义系统学习评价信号J(t)，驱动神经网络学习和训练；5)利用步骤4)得到的系统评价信号J(t)，结合离散粒子群寻优和最优梯度下降方法，对激励φ(x,ci)和权值wi进行离线训练更新；6)利用步骤5)中的方法，通过足够的样本训练，最后获得最终的激励和权重，完成对神经网络参数的整体训练。本专利技术进一步的改进在于，步骤1)中，N为5至10之间的整数，x1(t)～x5(t)分别为和系统控制相关的5个变量。本专利技术进一步的改进在于，步骤2)中，隐含层神经元对输出层的激励φ(x,ci)计算如下：其中，cj＝[cj1,cj2,cj3,cj4,cj5]T为第j个隐含层神经元的径向基中心；φ(x,cj)为第j个隐含层神经元对输出节点的响应，采用如上的高斯函数计算；σj为第j个隐含层神经元的节点基宽，第j个隐含层神经元对输出单元的节点权值wi取整范围为[-1,1]。本专利技术进一步的改进在于，步骤3)中，系统响应输出u(t)的计算如下；本专利技术进一步的改进在于，步骤4)中，系统学习评价信号J(t)的具体表达如下：其中，e(t)为系统实际输出um(t)和系统响应u(t)之间的误差。本专利技术进一步的改进在于，步骤5)中，具体的计算方法如下：由前面的论述可知，RBF神经网络中间隐含层神经元个数为N个，即记为N维，假设在每一维中第m个粒子的位置xm为：wm＝{wm1wm2...wmN}其中wm1,wm2…wmN为第m个粒子所携带的中间隐含层神经元对输出单元的权值；该粒子在第t次寻优迭代后，其个体极值为：pbestm＝{pbestm1pbestm2...pbestmN}其中，pbestm1pbestm2...pbestmN为第m个粒子在前t次迭代寻优过程中的最优权值；所有粒子在第t次寻优迭代后，其全局极值为：pbestg＝{pbest1pbest2...pbestN}其中，pbest1pbest2...pbestN为所有粒子在前t次迭代寻优过程中的最优权值；对每个粒子在每一维的寻优节点进行离散化，设定每一维的寻优节点为xd，则每一维的寻优步长为：xtg＝2/xd第m个粒子的位置初始化按如下方法进行：wmj＝-1+(int)(rand[m][j]·2/xtg)·xtgj＝1…N其中，(int)函数为取整函数；第m个粒子的速度初始化按如下方法进行：vmj＝(int)(Kv/xtg)·xtgj＝1…N其中Kv为速度因子，取0.6；初始化隐含层神经元中心节点向量cj和径向基宽σj；粒子群适应度函数修正为如下形式：其中，为第n个粒子在第i次寻优后的适应度函数，F为训练样本总数；取全局最小适应度函数，其计算为：则第m个粒子在第j维的速度更新如下：其中，ω为速度权重因子，取1.0；λ1、λ2和λ3为系统参数，分别取1.5，1.7和0.5；将上述速度更新式进一步通过偏导计算，变化为下式：其中，μw为权重学习因子，取为0.1；变量上标为i则表示为前述相应变量第i次寻优迭代；则第m个粒子的第j维权重寻优变量在i+1次的寻优更新为：其中，m＝1,2,…P，j＝1,2…N，P为总寻优粒子数；所有粒子在第i次寻优后，其隐含神经元的中心节点向量和径向基宽仍采用最速梯度法进行迭代更新，具体如下：记取全局最优粒子位置信息如下：则径向基宽的更新迭代如下：其中，μσ为径向基宽学习因子，取为0.1；变量上标为i则表示为前述相应变量第i次寻优迭代；则径向基宽的更新采用如下二阶差分方法：其中，δ为差分残留学习因子，取为0.1；中心节点向量的更新迭代如下：其中，μc为中心节点向量学习因子，取为0.1；变量上标为i则表示为前述相应变量第i次寻优迭代，k＝1,2…5；则中心节点向量的更新采用如下二阶差分方法：本专利技术进一步的改进在于，步骤6)中，获取足够多的输入向量x(t)和足够多的系统实际输出um(t)，通过上述步骤1)至步骤5)的方法，获取最后的神经网络参数。和现有技术相比较，本专利技术具有如下有益的技术效果：1、本专利技术辨识方法基于工业过程真实数据，因此相比于其他的仿真寻优方法，其结果更具有实用价值；2、本辨识方法采用离散粒子群和最优梯度相结合的方法寻优，其辨识数据精度高且可以全局域搜索，因此对工业过程的适应性更好；3、本寻优学习方法基于强边界约束，寻优结果在稳定性和辨识精度上相比于其他方法有明显提高。附图说明图1为径向基神经网络模型示意图。图2为自适应辨识更新机制示意图。图3为稳态时RBF训练后，SCR系统出口NOx控制示意图。图4为动态时RBF训练前后，SCR系统出口NOx控制示意图。具体实施方式以下结合附图和实施例对本专利技术作进一步的详细说明。如图1所示，本专利技术提供的一种径向基神经网络基于离散粒子群训练的方法，包括以下步骤：1)构建5-N-1型径向基(RadialBasisFunction,RBF)神经网络系统，确定系统输入变量为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]T，中间隐含层神经元个数为N，系统输出为u(t)，被控量为y(t)；其中，N为5至10之间的整数，x1(t)～x5(t)分别为和系统控制相关的5个变量。2)通过步骤1)的输入变量x(t)构建中间隐含层神经元对输出层的激励φ(x,ci)，同时设定输入变量对隐含层神经元的权值固定为1，隐含层本文档来自技高网...

【技术保护点】
1.一种径向基神经网络基于离散粒子群训练的方法，其特征在于，包括以下步骤：1)构建5‑N‑1型径向基神经网络系统，确定系统输入变量为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]T，中间隐含层神经元个数为N，系统输出为u(t)，被控量为y(t)；2)通过步骤1)的输入变量x(t)构建中间隐含层神经元对输出层的激励φ(x,ci)，同时设定输入变量对隐含层神经元的权值固定为1，隐含层神经元到输出单元之间的权值为wi；3)将步骤2)中的激励φ(x,ci)和隐含层神经元到输出单元之间的权值wi相乘，求取累积和，得到系统响应输出u(t)；4)利用步骤3)得到的系统响应输出u(t)和系统实际输出um(t)，定义系统学习评价信号J(t)，驱动神经网络学习和训练；5)利用步骤4)得到的系统评价信号J(t)，结合离散粒子群寻优和最优梯度下降方法，对激励φ(x,ci)和权值wi进行离线训练更新；6)利用步骤5)中的方法，通过足够的样本训练，最后获得最终的激励和权重，完成对神经网络参数的整体训练。

【技术特征摘要】
1.一种径向基神经网络基于离散粒子群训练的方法，其特征在于，包括以下步骤：1)构建5-N-1型径向基神经网络系统，确定系统输入变量为x(t)＝[x1(t),x2(t),x3(t),x4(t),x5(t)]T，中间隐含层神经元个数为N，系统输出为u(t)，被控量为y(t)；2)通过步骤1)的输入变量x(t)构建中间隐含层神经元对输出层的激励φ(x,ci)，同时设定输入变量对隐含层神经元的权值固定为1，隐含层神经元到输出单元之间的权值为wi；3)将步骤2)中的激励φ(x,ci)和隐含层神经元到输出单元之间的权值wi相乘，求取累积和，得到系统响应输出u(t)；4)利用步骤3)得到的系统响应输出u(t)和系统实际输出um(t)，定义系统学习评价信号J(t)，驱动神经网络学习和训练；5)利用步骤4)得到的系统评价信号J(t)，结合离散粒子群寻优和最优梯度下降方法，对激励φ(x,ci)和权值wi进行离线训练更新；6)利用步骤5)中的方法，通过足够的样本训练，最后获得最终的激励和权重，完成对神经网络参数的整体训练。2.根据权利要求1所述的一种径向基神经网络基于离散粒子群训练的方法，其特征在于，步骤1)中，N为5至10之间的整数，x1(t)～x5(t)分别为和系统控制相关的5个变量。3.根据权利要求2所述的一种径向基神经网络基于离散粒子群训练的方法，其特征在于，步骤2)中，隐含层神经元对输出层的激励φ(x,ci)计算如下：其中，cj＝[cj1,cj2,cj3,cj4,cj5]T为第j个隐含层神经元的径向基中心；φ(x,cj)为第j个隐含层神经元对输出节点的响应，采用如上的高斯函数计算；σj为第j个隐含层神经元的节点基宽，第j个隐含层神经元对输出单元的节点权值wi取整范围为[-1,1]。4.根据权利要求3所述的一种径向基神经网络基于离散粒子群训练的方法，其特征在于，步骤3)中，系统响应输出u(t)的计算如下；5.根据权利要求4所述的一种径向基神经网络基于离散粒子群训练的方法，其特征在于，步骤4)中，系统学习评价信号J(t)的具体表达如下：其中，e(t)为系统实际输出um(t)和系统响应u(t)之间的误差。6.根据权利要求5所述的一种径向基神经网络基于离散粒子群训练的方法，其特征在于，步骤5)中，具体的计算方法如下：由前面的论述可知，RBF神经网络中间隐含层神经元个数为N个，即记为N维，假设在每一维中第m个粒子的位置xm为：wm＝{wm1wm2...wmN}其中wm1,wm2…...

【专利技术属性】
技术研发人员：王林，高林，郭亦文，卢彬，李晓博，周俊波，侯玉婷，王明坤，
申请(专利权)人：西安西热控制技术有限公司，
类型：发明
国别省市：陕西,61