径向基网络在钢带热镀锌气刀控制系统中的应用雷瑛孙自强.pdfVIP

径向基网络在钢带热镀锌气刀控制系统中的应用 雷瑛 孙自强 雷瑛女士，华东理工大学自动化系硕士研究生；孙自强先生，副教授。 关键词：径向基网络 钢带热镀锌 误差纠正算法 自组织算法 最近邻聚类算 法 在钢铁企业冷轧热镀锌机组控制系统中，镀层重量的控制是一个非常重要的 生产环节，其控制好坏直接影响产品质量。虽然已有很多钢铁企业在热镀锌生产 系统中建立了相应的控制系统，但由于在钢带镀锌过程中，影响钢带镀层重量的 因素是复杂的、非线性的，导致该类控制系统的控制精确度不高，且在规格切换 时由于压力变化的惯性很大，很容易引起间断性的产品镀锌层厚度不均匀，所以 此类系统目前仍然主要是靠操作工手动操作，因此这样的控制现状很难满足生产 要求。而神经元网络具有自组织、自学习、自适应的特性，适合于非线性系统建 模及性能预报，因此，根据该系统特性，采用前馈神经网络来建模将会得到很好 的控制效果；而且RBF 前馈神经网络是神经网络中应用比较广泛的网络，具有很 强的推广能力和联想能力。所以在本文中对该系统采用RBF 神经网络来描述系统 变量之间的关系，同时分别介绍了3 种建立RBF 网络的算法，然后利用该系统的 现场数据分别进行仿真试验，建立相应神经元网络模型，最后通过比较找到一种 适合本系统的最优RBF 算法，使建立的RBF 网络具有广泛的适应性。 一 RBF 网络结构 径向基(Radial Basis Function，RBF)神经网络，是由J. Moody 和C. Darken 于 20 世纪80 年代末提出的一种神经网络，它是具有单隐层的3 层前馈网络，结构 如图1 所示。由于它模拟了人脑中局部调整、相互覆盖接受域的神经网络结构， 因此，RBF 网络是一种局部逼近网络，并已证明它能以任意精确度逼近任一连续 函数。 常用的径向基函数都是径向对称的，但最常用的是高斯函数： 2 2 R (x)=exp(-||x-c || /2σ ), i i i i=1, 2, ∧∧, m 式中：x 是n 维输入向量，c 是第i 个基函数的中心，与x 具有相同维数的向 i 量；σ 是第i 个隐层节点基函数中心点宽度的任意数，m 是隐含层节点数。||x-ci|| i 是向量x-c 的范数，它通常表示x 与c 之间的距离；R (x)在c 处有一个唯一的最 i i i i n 大值，随着||x-c ||的增大，R (x)迅速衰减到零。对于给定的输入x ∈R ，只有一小 i i 部分靠近x 的中心被激活。 从图1 中可以看出，输入层实现从x→R (x)的非线性映射，输出层实现从R (x) i i →yk 的线性映射，即： m yk= W R (x), k=1, 2, ∧∧, p ∑ ik i i 1 式中，p——输出节点数(输出变量数) ；wik——RBF 网络的输出权值。 RBF 网络和其他神经网络不同，其每个隐节点都具有两个重要参数，即径向 基函数的中心和宽度。这两个参数对网络性能具有重要意义。RBF 网络具有唯一 最佳逼近的特性，且无局部极小点的优点，但其不足之处主要集中在网络构造及 训练算法的设计与优化上面。目前，训练RBF 网络的方法有很多，如混合法，用 K—均值聚类法确定隐节点中心，采用凑试法或估计法确定宽度，并结合最小二 乘法或简单的δ规则确定连接权。本文采用了3 种以高斯函数为基函数的RBF 网 络学习算法：误差纠正算法、自组织学习算法和最近邻聚类学习算法。 二 误差纠正RBF 学习算法 误差纠正RBF 学习算法是对RBF 网络的中心、基函数的宽度和输出单元的 权值同时从样本中进行监督学习。Matlab 里的标准函