关于毕业设计 使用RBF神经网络进行优化 外文文献翻译.docVIP

　　关于毕业设计 使用RBF神经网络进行优化 外文文献翻译 关于毕业设计 使用RBF神经X络进行优化 外文文献翻译_导读：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。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 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 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 ,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 ,假设隐藏的性能系数 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 =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* , 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