简谈毕业设计使用RBF神经网络进行优化 外文文献翻译docWord文档下载推荐.docx
《简谈毕业设计使用RBF神经网络进行优化 外文文献翻译docWord文档下载推荐.docx》由会员分享,可在线阅读,更多相关《简谈毕业设计使用RBF神经网络进行优化 外文文献翻译docWord文档下载推荐.docx(13页珍藏版)》请在冰点文库上搜索。
近年来,英国石油公司将神经X络用于冷库温度的最优控制。
BP神经X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X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X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x1,…,xn和m个输出变量y1,…,ym.则:
x=(x1,...,xn)T
(1)
(2)
y=(y1,...,ym)T
使用RBF神经X络最优控制冷藏,x代表一个点的n维输入空间Rn,而y代表一个点的m维输出空间Rm,假程中应该有一个高性能系数e0,而e0和制冷量子Q0与所需的能源P的关系应该满足公式e0=Q0P
(4)
研究结果表明,e0随蒸发温度和冷凝温度的下降而增加,而且一个更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
(2)Li=L
(1)i+Li
(5)
式中L
(1)而L
(2)i是由水果或蔬菜被冻伤造成的,i是由于时间关系而日益恶化造
(2)t成的。
当环境温度升高了,L
(1)i降低但是Li会升高。
这两个数据都和存储时间
相关。
因此,抖L
(1)L
(2)
(1)0i=fi[T,t-ti],i=fi
(2)[T,t-ti0]抖tt
(6)
在这个式子中,fi
(1)会随着温度T的升高而降低,但是fi
(2)会升高。
ti0表示进入存储的时间,t-ti0则表示表示存储时间,然后我们有
Li=ò
{fi
(1)[T,t-ti0]+fi
(2)[T,t-ti0]}dtti0
t
(7)
对于水果或者蔬菜来说,其最佳储存温度Ti*应该满足以下方程fi
(1)[Ti*,tti0]fi
(2)[Ti*,tti0]+=0抖TT
(8)
设水果或蔬菜的重力是gi,其存储损失为giLi,则在单位时间间隔内总存储损失为Ln=gi{fi
(1)[T,t-ti0]+fi
(2)[T,t-ti0]}ti=1
(9)
设T表示最佳储存温度。
它应该满足
*
2L(T*,t)=0抖tT
(10)
就是fi
(1)[Ti*,tti0]fi
(2)[Ti*,tti0]g{+}=0i抖TTi=1n
(11)
用上面传统的方法计算T*i是比较费时间的,因此我们使用RBF神经X络实现的解决T*i方案。
这种RB345678910
F神经X络的第一部分提出两级RBF神经X络。
这i种X络只有一个输出,i.e.
,T*i,并且有2n个输入,即gi,1#it-ti0,1#n
和
n。
H=n在这里作为隐藏的单位使用,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X络的预测方法吸引了越来越多的关注。
BP神经X络是一种早期的神经X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X络由于其较高的训练速度吸引了越来越多的关注。
本文采用两级RBF神经X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u1,...uR和S个状态变量v1,...vS。
考虑一个时间窗口组成的2Q个时间点,
t1=t-(Q-1)Dt,t2=t-(Q-2)Dt,...tQ=ttQ+1=t+Dt,...t2Q=t+QDt分别用ur(q)和us(q)表示ur和us在tq时的值,令
(1)
(1)(Q)(Q)Tx=(u1
(1),...,uR,v1
(1),...,vS,...,u1(Q),...,uR,v1(Q),...vS)
(12)
(13)
(Q+1)2QTy=(v1(Q+1),...,v1(2Q),...,vS,...,vS)
(14)
式中n=(R+S)Q,m=QS,这些预测的作用是根据(13)式中的向量x确定(14)式中的y,在当前时间t0,所有的测量结果可以用来构造预测X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t应该满足公式tt0否则,未知值将包含在示例将是不合理的。
QDt。
假设已经得到了足够多的样品(x(k),y(k)),k=1,2,...,K,首先,计算隐藏单位的参数,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X络的非线性映射函数是用来设计稳定模型。
当状态变量的稳定值,控345678910
+usTii=0Ts(15)us和u(k)分别是初始值和控制变量的当前值。
e(i)是分配值和控制对象的实际价值的区别,即e(i)=t-v(i)(16)v(i)和t分别是i-th时间点处的实际值和分配的控制对象的值,写出方程(15)的增量形式,然后我们可以得到Du(k)=u(k)-u(k-1)=Kc+Kie(k)+Kd(17)
式子中Ki=Kc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
u(k)=Kc{e(k)+
TskTe(i)+d[e(k)-e(k-1)]}+usTii=0Ts
(15)
us和u(k)分别是初始值和控制变量的当前值。
e(i)是分配值和控制对象的实际价值的区别,即
e(i)=t-v(i)
(16)
v(i)和t分别是i-th时间点处的实际值和分配的控制对象的值,写出方程(15)的增量形式,然后我们可以得到
Du(k)=u(k)-u(k-1)=Kc[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
(17)
式子中Ki=Kc方程,我们可以得到
TsT是积分系数,Kd=Kcd是微分系数。
用另一种形式写上面的TiTs
2Du(k)=KcDe(k)+Kie(k)+KdDe(k)
(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。
k表示当前时间,并且设在tk+1和tk+2时刻变量v的预测的值分别是v(k+1)和v(k+2),令
e(k+1)=t-v(k+1)
e(k+2)=t
-v(k+2)
(19)
结合历史值和变量的预测值计算方程(18)的右边。
令
De(k)=a1[e(k)-e(k-1)]+b[e(k+1)-e(k)]+g[e(k+2)-e(k+1)]e(k)=a2e(k)+b2e(k+1)+g2e(k+2)D2e(k)=a3[e(k)-2e(k-1)+e(k-2)]+b3[e(k+1)-2e(k)+e(k-1)]+g3[e(k+2)-2e(k+1)+e(k)]
(20)(21)(22)
用这个方法,方程(18)可以变成一下格式2Du(k)=KcDe(k)+Kie(k)+KdDe(k)儋
(23)
上式中a1,b1,g1,a2,b2,g2,a3,b3,g3的值应该满足
{
a1+b1+g1=10#a1,b1,g1
1,{
a2+b2+g2=10#a2,b2,g2
1,{0#a,b,g33
a345678910
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。
对于一种特殊的水果或蔬菜来说,其日常损失率是指li=Li/Ei,1#iN式中N表示水果和蔬菜的种类的数量,Li和Ei分别表示每天入口的i-th特殊水果或蔬菜的损失和市场价格,1#iN。
只是损失不包括水果或蔬菜腐烂而被丢弃的部分,而3+b3+g3=13
1
(24)
因此系统中只有6独立系数待定。
选择这些系数a1,b1,a2,b2,a3,b3作为条件来确保他们能够让的数学期望最小,也就是说,我们有以下方程
minE[e2(k)]与下面的约束条件
(25)
0a1,b1;
1a1-b1#1;
0a2,b2;
1-a2-b2#1;
0a3,b3;
1-a3-b311所有的a1,b1,a2,b2,a3,b3的初始值可以被选为。
3
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。
对于一种特殊的水果或蔬菜来说,其日常损失率是指
li=Li/Ei,1#i
N
式中N表示水果和蔬菜的种类的数量,Li和Ei分别表示每天入口的i-th特殊水果或蔬菜的损失和市场价格,1#iN。
只是损失不包括水果或蔬菜
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ControlofaColdStorageShiGuodong,p;
XueGuoxinJiangsuInstitutionofPetrochemicalTechnology,Changzhou213016,P.R.China(ReceivedNovember26,1999)
Abstract:
Inrecentyears,advancedcontroltechnologieshavebeenfortheoptimumcontrolofacoldstorage.
Buttherearestillalotofshortings.
Oneofthemainproblemsist345678910
apping,agoodinterpolatingvalueperformance,andahighertrainingspeed.Thusateasuredvaluesethodscan’trealizetheon-linepredictiveoptimumcontrolofarefrigeratingsystempleandvalidalgorithms.
AnRBFneuralapping,agoodinterpolatingvalueperformance,andahighertrainingspeed.
Thusateasuredvaluesumcontrolofthecoldstoragetemperature.
Theapplicationresultsoftheneethodsshoumcontrol.
1.
INTRODUCTIONThepredictiveoptimumcontrolofcoldstoragetemperaturehasfoundaperaturecontrolunitsfacetheproblemsonhoumtemperatureasthecontrolledobject,hoperaturevariationoftherefrigeratingstorehouseandhoumcontrol.
Alotofstudyeffortshavebeenmade.
Theearliermethods[1,5].Later,
basedontheTa345678910
directtheactionoftherefrigeratingsystem..2.ATumvalueofthecoldstoragetemperature,andthesecondisusedtopredictthetemperature.Generally,supposethatthereareninpylor’sseriestheoryandthePIDcontrolFurrier’stransformationmethod,Chebyshev’s
theoryandknoumcontrolofthecoldstoragetemperature.ABPneural
anceofnonlinearmapping,butithastoomanylocalminimumpoints,andusuallyitstrainingspeedistoosloumcontrolofthecoldstoragetemperature.
Thefirststageisusedtodeterminethecurrentoptimumtemperatureofthesystem,andthesecondisusedtopredictrefrigerating
thetemperaturevalues
intheingtimepoints.Furthermore,anoptimumproblemissolved,..
2.
ATumvalueofthecoldstoragetemperature,andthesecondisusedtopredictthetemperature.
Generally,supposethatthereareninputvariablesx1,…,xnand
moutputvaria345678910
d.RBFneuralanceofradius-basedfunctions.Toimprovethisperformance,thefollo(x-xh)2exp()2shh=1(3)Here,thenblesy1,…,ym.
Letx=(x1,...,xn)T
(1)
(2)controlofaColdStorage)TUsingRBFNeuralNetum
xdenotesapointinthen-dimensionalinputspaceRn,themdimensionaloutputspaceR,Supposethatthenumberofthehiddenunitsis
H.Everyhiddenunitusesteters,oneisscalar
quantitysh(&
gt;
0),the
otherisvector
x(h).Supposethatthesetofthetrainingsamplesis
{(x(k),y(k))}#k
K.Generally,n#H
Kshouldbesatisfied.
RBFneuralanceofradius-basedfunctions.
Toimprovethisperformance,thefollo
(x-xh)2exp()2shh=1
(3)
Here,thenumeratorisatraditionalRBFinterpolatingalgorithmexpression,andthedenominatoristheinterpolatingexpressionofconstant1.PERATURE345678910
peratureandaloperature.Hoperatureisapparentlylimitedbythetemperatureoftheobjectunderrefrigeration.Foraspecialkindoffruitorvegetablejustenteringthecoldstorage,itsoptimumstoragetemperaturecanbegotperature,itisneededtotakeoverallconsiderationsaboutallfactors.
Inordertouseenergyreasonably,the
refrigerationprocessshouldhaveahighperformancecoefficiente0Q0totheneededenergyPsatisfyinge0=Q0P
(4)evaporationtemperature
Researchresultsshoperaturedecreases[4,6],andahigherevaporationtemperatureandaloperaturearebeneficialtokeepfruitsand
vegetablefresh.
Thustherefrigerationsystemshouldrununderahigherevaporationtemperatureandaloperature.
Hoperatureisapparentlylimitedbythetemperatureoftheobjectunderrefrigeration.
Foraspecialkindoffruitorvegetablejustenteringthecoldstorage,itsoptimumstoragetemperaturecanbegotentalmethod.
Theoptimumstoragetemperaturedecreasese.
Thelossofperunitofi-thfruitorvegetableis
(2)Li=L
(1)i+Li
where
L
(1)iisproducedbyfrostbiting,while
L
(2)i
bydeteriorating.When345678910
简谈毕