使用RBF神经网络进行优化冷藏库的控制外文文献翻译 其他专业.doc

使用RBF神经网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,代为办理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神经网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神经网络。将测量值与预测值,两级RBF神经网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神经网络、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网络用于冷库温度的最优控制。BP神经网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神经网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神经网络分为两个阶段。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,…, 和m 个输出变量,…, .则： (1) (2) 使用RBF神经网络最优控制冷藏，代表一个点的n维输入空间,而代表一个点的m维输出空间,假设隐藏的单位的数量是H。每个隐单元使用了两个参数,一个是标量,另一个是矢量。假设的训练样本集是。一般来说,应该满足。RBF神经网络是基于插值radius-based功能的性能。为了改善性能,使用下列方程计算出RBF神经网络的输出。 (3) 在这里,分子是一种传统的RBF插值算法表达式,而分母不变的插值表达式（1）通过这种分母,衰减指数函数的分子是取消了极大的分母。通过这种方式,改进的RBF神经网络具有更好的性能。 3、在线计算的冷藏温度 选择的目标价值冷藏温度,需要综合考虑所有的因素。为了合理地使用能源,制冷过程中应该有一个高性能系数，而和制冷量子与所需的能源的关系应该满足公式 (4) 研究结果表明, 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 (5) 式中是由水果或蔬菜被冻伤造成的，而是由于时间关系而日益恶化造成的。当环境温度升高了，降低但是会升高。这两个数据都和存储时间相关。因此， (6) 在这个式子中，会随着温度的升高而降低，但是会升高。表示进入存储的时间，则表示表示存储时间,然后我们有 (7) 对于水果或者蔬菜来说，其最佳储存温度应该满足以下方程 (8) 设水果或蔬菜的重力是，其存储损失为，则在单位时间间隔内总存储损失为 (9) 设表示最佳储存温度。它应该满足 (10) 就是 (11) 用上面传统的方法计算是比较费时间的，因此我们使用RBF神经网络实现的解决方案。这种RBF神经网络的第一部分提出两级RBF神经网络。这种网络只有一个输出，，，并且有2n个输入，即, 和 ,。在这里作为隐藏的单位使用，方程（11）用于