1、简谈毕业设计 使用RBF神经网络进行优化 外文文献翻译doc简谈毕业设计 使用RBF神经网络进行优化 外文文献翻译 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读：nology,代为 1999年11月26日(收到)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X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X络。将 使用 RBF 神经X络进行优化 冷藏库的控制 施正荣,成国栋,王琦鸿,徐燕和薛国信 213016 年 常 州 江
2、苏 机 构 Petrochemical Technology,代为 1999 年 11 月 26 日(收到)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X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X络。将测量值与预测值,两级 RBF 神经 X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X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
3、,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
4、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 R n ,而 y 代 表一个点的 m 维输出空间 R m ,
5、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 = Q0 P(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
6、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) 0 i = fi T , t - ti , i = fi (2) T , t - ti0 抖 t t(6)在这个式子中， f i (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 = fi (1) T , t - ti0 + fi (2) T , t - ti0 dtti0t(7)对于水果或者蔬菜来说
7、，其最佳储存温度 Ti* 应该满足以下方程 fi (1) Ti* , t ti0 fi (2) Ti* , t ti0 + =0 抖 T T(8)设水果或蔬菜的重力是 gi ，其存储损失为 gi Li ，则在单位时间间隔内总存储 损失为L n = gi fi (1) T , t - ti0 + fi (2) T , t - ti0 t i =1(9)设 T 表示最佳储存温度。它应该满足* 2 L(T * , t ) =0 抖 t T(10)就是 fi (1) Ti* , t ti0 fi (2) Ti* , t ti0 g + =0 i 抖 T T i =1n(11)用上面传统的方法计算 T
8、*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 RB 3 4 5 6 7 8 9 10 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读： 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 i t - 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
9、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)D t
10、, t2 = t - (Q - 2)D t ,.tQ = t tQ +1 = t +D t ,.t2Q = t + QD t分别用 ur( q ) 和 us( q ) 表示 ur 和 us 在 t q 时的值，令(1) (1) (Q ) (Q ) T x = (u1(1) ,., uR , v1(1) ,., vS ,., u1(Q) ,., uR , v1(Q) ,.vS )(12)(13)(Q+1) 2Q T y = (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
11、x 确定（14）式中的 y ，在当前时间 t 0 ，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 t t0 否则,未知值将包含在示例将是不合理的。 QD t。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。
12、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 3 4 5 6 7 8 9 10 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读：+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
13、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 ) +Ts k T e(i) + d e(k ) - e(k - 1) + us Ti i =0 Ts（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D u(k ) = u(k ) - u(k - 1)
14、= Kc e(k ) - e(k - 1) + Kie(k ) + Kd e(k ) - 2e(k - 1) + e(k - 2)（17）式子中 K i = K c 方程,我们可以得到Ts T 是积分系数, K d = K c d 是微分系数。用另一种形式写上面的 Ti Ts2 D u(k ) = KcD e(k ) + Ki e(k ) + Kd D e(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te(k +1) =
15、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 ) = a1e(k ) - e(k - 1) + b e(k +1) - e(k ) +g e(k + 2) - e(k +1) e(k ) = a 2 e(k ) + b 2 e(k +1) +g 2 e(k + 2)D2 e(k ) = a 3e(k ) - 2 e(k - 1) + e(k - 2) + b 3e(k +1) - 2 e(k ) + e(k - 1) +g 3e(k + 2) - 2 e(k +1) + e(k )（20） （21）
16、（22）用这个方法，方程（18）可以变成一下格式2 D u(k ) = Kc De(k ) + Ki e(k ) + K d D e(k ) 儋（23）上式中 a1 , b1 ,g 1 , a 2 , b 2 , g 2 , a3 , b3 ,g 3 的值应该满足a1 + b1 +g 1 = 1 0 a1 , b1 , g 11，a 2 + b 2 +g 2 = 1 0 a 2 , b 2 ,g 21， 0 a , b ,g3 3a 3 4 5 6 7 8 9 10 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读：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
17、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,1iN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，1iN。只是损失不包括水果或蔬菜腐烂而被丢弃的部分,而 3 + b 3 +g 3 = 131（24）因此系统中只有6独立系数待定。 选择这些系数 a1 , b1 , a 2 , b 2 , 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min Ee2 (k )与下面的约束条件（25）0 a1, b1;1 a1 - b1 1;0 a 2 , b 2 ;1 - a 2 - b 2 1;0
18、 a3 , b3 ;1 - a3 - b3 11 所有的 a1 , b1 , a 2 , b 2 , a3 , b3 的初始值可以被选为 。 36、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 i N 。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
19、菜的市场价值是基于其存储容量 Control of a Cold StorageShi Guodong, p; Xue Guoxin Jiangsu Institution of Petrochemical Technology, Changzhou 213016, P.R.China (Received November 26, 1999)Abstract :In recent years ,advanced control technologies have been for the optimum control of a cold storage.But there are still
20、 a lot of shortings.One of the main problems is t 3 4 5 6 7 8 9 10 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读：apping,agoodinterpolatingvalueperformance,andahighertrainingspeed.Thusateasuredvaluesethods cant realize the on-line predictive optimum control of a refrigerating system ple and valid algorithms.An RBF
21、neural apping, a good interpolating value performance, and a higher training speed.Thus a teasured values um control of the cold storage temperature.The application results of the neethods shoum control.1.INTRODUCTION The predictive optimum control of cold storage temperature has found a perature co
22、ntrol units face the problems on houm temperature as the controlled object, hoperature variation of the refrigerating storehouse and houm control.A lot of study efforts have been made.The earlier methods 1,5.Later,based on the Ta 3 4 5 6 7 8 9 10 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读：directtheactionofthere
23、frigeratingsystem.2.ATumvalueofthecoldstoragetemperature,andthesecondisusedtopredictthetemperature.Generally,supposethatthereareninp ylors series theory and the PID control Furriers transformation method, Chebyshevstheory and kno um control of the cold storage temperature .A BP neuralance of nonline
24、ar mapping, but it has too many local minimum points, and usually its training speed is too sloum control of the cold storage temperature.The first stage is used to determine the current optimum temperature of the system, and the second is used to predict refrigeratingthe temperature valuesin the in
25、g time points .Furthermore, an optimum problem is solved, .2.A Tum value of the cold storage temperature, and the second is used to predict the temperature.Generally, suppose that there are n input variables x1 , xn andm output varia 3 4 5 6 7 8 9 10 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读：d.RBFneuralanceofr
26、adius-basedfunctions.Toimprovethisperformance,thefollo(x-xh)2exp()2shh=1(3)Here,then bles y1 , ym .Letx = ( x1,., xn )T(1) (2) control of a Cold Storage )TUsing RBF Neural Netumx denotes a point in the n -dimensional input space R n , the m dimensional output space R ,Suppose that the number of the
27、hidden units isH .Every hidden unit uses teters, one is scalarquantity s h (> 0) ,theother is vectorx ( h ) .Suppose that the set of the training samples is( x( k ) , y( k ) ) kK .Generally, n HK should be satisfied.RBF neural ance of radius-based functions.To improve this performance ,the follo(
28、 x - x h )2 exp( ) 2 s h h =1(3)Here, the numerator is a traditional RBF interpolating algorithm expression, and the denominator is the interpolating expression of constant 1.PERATURE 3 4 5 6 7 8 9 10 简谈毕业设计 使用RBF神经X络进行优化 外文文献翻译 导读：peratureandaloperature.Hoperatureisapparentlylimitedbythetemperature
29、oftheobjectunderrefrigeration.Foraspecialkindoffruitorvegetablejustenteringthecoldstorage,itsoptimumstoragetemperaturecanbegotperature, it is needed to take overall considerations about all factors.In order to use energy reasonably, therefrigeration process should have a high performance coefficient
30、 e0 Q0 to the needed energy P satisfyinge0 = Q0 P(4) evaporation temperatureResearch results shoperature decreases 4,6,and a higher evaporation temperature and a loperature are beneficial to keep fruits andvegetable fresh .Thus the refrigeration system should run under a higher evaporation temperatu
31、re and a loperature.Hoperature is apparently limited by the temperature of the object under refrigeration.For a special kind of fruit or vegetable just entering the cold storage, its optimum storage temperature can be got ental method.The optimum storage temperature decreases e.The loss of per unit of i - th fruit or vegetable is(2) Li = L(1) i + Li(5)whereL(1) i is produced by frostbiting, whileL(2) iby deteriorating .When 3 4 5 6 7 8 9 10 简谈毕
