使用RBF神经网络进行优化冷藏库的控制毕业设计论文外文文献翻译.doc

使用RBF神经网络进行优化冷藏库的控制文摘: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,毛皮商的转换方法,切比雪夫的理论的系统更好的结(2、3)。近年来,英国石油公司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,通常其训练速度太慢(2、5)。因此它不能方便用于在线控制计算。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。第一阶段确定当前最佳制冷系统的温度,和第二个是用于在未来时间点进行温度的值。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, 第二个是用来预测温度。一般来说,假设输入变量 和输出变量 .则： (1) (2) 使用RBF神经网络最优控制冷藏代表一个点的维输入空间,而代表一个点的维输出空间,假设隐藏的单位的数量。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。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系数和制冷量子所需的能源 (4) 研究结果表明, 随蒸发温度和冷凝温度的下降而增加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。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。最佳储存温度储存时间的增加而减小。 (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，其存储损失，则在单位时间间隔总存储损失 (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，，并且有2n个输入，即, 和 ,。在这里作为隐藏的单位使用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,基于神经网络的预测方法吸引了越来越多的关注。BP神经网络是一种早期的神经网络用于这一目的。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神经网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神经网络预测存储温度。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, 在同一时间设置包括温度变量和湿度变量输入变