柴油机燃烧组分RBF网络分解方法研究.pdfVIP

中国工程热物理学会 燃烧学 学术会议论文 编号：084213 柴油机燃烧组分 RBF 网络分解方法研究 郭晓平 王占杰 黄勇 大连理工大学内燃机研究所 大连116023 Tel: 041184708246-8210 E-mail: gxp190@163.com 摘要 对于一个多变量的超高维非线性复杂系统，当输出变量之间的变化规律相差很大时，单一的 RBF 网络的学习效率和逼近精度都降低。如果采用几个子网络来进行函数逼近会大大提高网络的计算效率。 本文通过研究 RBF 网络的学习算法，提出以目标函数的样本值与 RBF 隐含层神经元输出值的变化规 律的相似性程度，作为将一个大的神经网络分解成几个较小的子神经网络的判据的方法，并将该方法 用在柴油机燃烧组分质量 RBF 网络学习中，效果令人满意。 关键词 柴油机，化学动力学，人工神经网络，径向基函数，函数逼近 0 引言 [1] 柴油机燃烧详细动力学模型计算需要花费巨大计算量 ，而神经网络具有逼近任意 非线性函数、容错能力强等诸多优点，因此，神经网络可为柴油机燃烧计算研究另辟蹊 径。 在柴油机燃烧计算中，需要根据控制单元的温度、压力和化学组分质量，确定经过 δt 反应时间各组分的质量，在神经计算科学的范畴内，这一过程属于函数映射。前馈型 神经网络具有表达非线性映射的功能，非线性映射的表达问题实际上是一个函数逼近问 题，是如何在高维空间中构造穿越所有给定点的合适曲面的问题，而这些给定点是期望 逼近函数的样本点。 文[2]研究了由 556 个组分组成的正庚烷柴油机燃烧系统中组分质量分数的样本分 布，并将分布规律归结为 8 种类型。对于如此多变量的超高维非线性复杂系统，从理论 上来说，可以用径向基函数(Radiao Basic Function，RBF) 网络来实现映射[3] 。但是，当 系统的多个目标函数的变化规律相差很大时，用一个 RBF 网络来逼近多个目标函数会 使网络的学习效率和逼近精度都很低。如果根据组分分布特点将神经网分解成相应的若 干子网络，势必可以大大提高网络的计算效率。考虑到柴油机运行工况的多变性，用手 工判断各个组分属于何种分布类型，不仅效率低下，而且也难以适应柴油机运行的各种 状态。因此，根据样本数据自动对燃烧组分质量变化规律进行分类的算法显得尤为重要。 本文以径向基函数人工神经网络(RBF-ANN)为对象，通过研究 RBF 网络学习算法， 提出以目标函数的样本值与 RBF 隐含层神经元输出值变化规律的相似性程度为标准的 划分方法，并在柴油机燃烧组分质量 RBF 网络计算中应用，效果令人满意。 资助项目：AMD大学计划（2007-10） 1 径向基函数人工神经网络 1.1 径向基函数的基本特点 RBF 网络是一个由n 个输入层神经元和 H 个隐含层神经元以及 m 个输出层神经元 为元素构成的系统，可记作 ncmRBF(n×H×m) ，其结构模型如图 1 所示。 图1 RBF网络模型 图 1 中，输入层神经元集合x={x ,i=1,2, …,n}、隐含层神经元集合A={a , i=1,2, …,H } i i 和输出层神经元集合 o={oi,i=1,2, …,m}。通常，任何函数都可表示成一组基函数的加权 和，所以可以