蒸发器过热度的RBF网络在线辨识与仿真.docVIP

蒸发器过热度的RBF网络在线辨识与仿真 《制冷gt;)2oo2年第4期 蒸发器过热度的RBF网络在线辨识与仿真 宫赤坤华泽钊 (上海理工大学低温与冷冻技术研究所上海200093l 摘要提出了一种确定RBF网络中心向量的动态递推算法,介绍了RBF网络线性层连接权值的递推最小二乘算 法,利用这些算法对蒸发器过热度进行了在线辨识,同时对网络结构和算法的参数变化对辨识精度的影响进行了研 究.仿真结果表明了算法的有效性. 关键词控制理论在线辨识RBF网络动态递推算法 TheidentificationandsimulationofevaporatorsuperheatbyusingRBFnetwork AbstractAdynamicrecursivealgorithmofRBFnetworkcentervectoriSproposed,andarecursiveleastsquaresalgo- r}thmofRBFnetworkiSintroduced.TheevaporatorsuperheatiSidentifiedOn—linebyusingthesealgorithms,mean- while.howthestructureofnetworkandthechangeofalgorithmparameteraffectidentifyingprecisionisstudied.The simulationresuItsshowthatthealgorithmiSveryeffective. KeywordsContioItheory,On—Iineidentification,RBFnetwork,Dynamicrecursivealgorithm 1引言 蒸发器过热度的控制研究具有十分重要的意 义,如果蒸发器过热度过高,蒸发器的传热面积不能 充分利用,如果蒸发器过热度过低,蒸发器中的制冷 剂不能完全蒸发,压缩机可能有发生液击的危险. 为了更好地对蒸发器过热度控制系统进行分析和设 计,需要知道系统的模型.另外,在采用自适应控制 等一些先进控制手段时,也需要在线辨识系统的模 型.但蒸发器过热度系统是具有时滞的非线性系 统,很难用分析法推导其数学模型,因此自然想到采 用输入和输出数据对系统进行辨识.由于神经网络 高度的非线性逼近能力,采用神经网络可以省略系 统结构建模,避开复杂的算法而完成对本质非线性 系统进行辨识的任务.BP网络由于存在局部最优, 训练速度慢,效率低等问题,很难在实时控制中应 用.RBF网络在一定程度上克服了这些问题,通过 用RBF网络对系统进行在线辨识【I],可以对系统进 行在线控制,及时调整控制器的参数,以便把系统控 制得更好. 2RBF神经网络的结构 RBF网络结构如图1所示.这是一个多输入单 输出的前向网络模型,隐含层神经元的输出为～ 收稿日期:28O1年l2月03日 h(X)=(I1X—Cil1,),=1,2,…,H 日 网络输出为()=∑hi()i Ci,6i 图1RBF网络结构示意图 其中,X是m维的输入向量,Ci是与x同维的 中心向量,R(0)具有局部感受的特点.通常取R (0)为高斯函数,即R(x)=em(一,,x—C1121~;),R (O)仅在高斯函数的中心ci附近才会有较强的输 出,远离中心的输出几乎为零. 3RBF神经网络的在线训练算法 神经网络用于系统辨识的关键在于网络中权值 等参数的确定.这些参数通常是通过某种学习算 法,并利用系统的输入,输出数据(学习样本)进行训 练得到的.但对于时变系统,学习样本将无法充分 体现系统的状况.因此必须设计有效的在线训练方 ?--—— 45-—-—— 《制冷)2o02年第4期 模式.以高斯函数为基函数的RBF网络的未知参于在线学习,而由递推最d,--乘法导出的权值快速 数包括基函数中心向量,宽度向量和线性层连接权学习算法,能够在线学习,且每次迭代的基础都是 值.针对常规RBF网络训练算法存在的缺点,本文以误差梯度为零,收敛速度比梯度法快,且不存在发 给出了基函数中心向量和线性层连接权值的在线训散问题. 练算法,使之能够在线逼近非线性系统.下面以含有H个隐层节点的多输入单输出 3.1中心向量的动态递推算法RBF网络为例,给出本文的算法推导: 在RBF网络的学习算法中,如Moody和Darken(n)=((n))(n) 的自组织学习选取网络中心法b,采用K一(n):[,(n),:(n),…,(n)]r 法聚类,但K—m唧聚类算法通常不能在线学习中(()):[,(()),:(()),…,蜘(())]r式中 心,为了实现在线训练,可以采用递推的分类算法,w(n)为网络线性层连接权值,(0)为径向基函数, 使得兰,:曼堡孥謦变化,及(n)为第n个输入向量.(n