[发明专利]生料混合优化方法

说明书

所属技术领域

本发明专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用于生料混合优化方法。

背景技术

生料的成分控制的目的是保证入窑生粉的化学成分与期望值的偏差尽可能小.生料混合过程是一个多变量、多随机干扰、具有相当大变化时延的耦合过程.磨机模型参数是慢时变的，由于各种原料的化学成分不时地变化，且难以实时测量，加之每一种原料的组成氧化物含量也是变化的，故必须相应地改变原料输入量来补偿其成分的变化.由于神经网络具有较好的学习能力和非线性逼近特性，以神经网络为基础的控制器在理论和实际应用上已有一定的研究。由于神经网络的学习能力对整个控制器的性能具有很大的影响，因此本发明提出了一种改进的神经网络学习方法。

BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过程是一种误差后向传播修正权系数的过程。

一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。

发明内容

本发明利用下述改进的神经网络学习方法和对角矩阵解耦方法相结合的方式，提出了一组生料混合优化方法。其中对角矩阵解耦方法是传统方法，仅对改进的神经网络学习方法加以描述。

BP网络计算的主题步骤：

(a).置各权值和阀值的初始值w_ij^p(0)，θ_j^p(0)，(p＝1，2...Q)其中p为第若干层，Q表示总层数

(b).输入训练样本(I_q，d_q)，(p＝1，2...M)其中M表示输入输出数量，对每一个样本计算输出和权值修正

(c).计算网络各层的实际输出x^p＝f(s^p)＝f(w^px^p-1)，式中f(^*)为激活函数

(e)若其输出与各顶模式对的期望输出不一致，则将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输入值为止。对样本完成网络权系数的调整后，再送入另一样本模式对进行类似学习，直到完成个训练学习为止。

以下利用共轭梯度法对权值修正：

考虑二次型性能函数E(w)=12wTQw+bTw+c,]]>其梯度为g=▿E(w)=Qw+b,]]>

其二阶梯度是Hessian矩阵H=▿2E(w)=Q,]]>于是，梯度的改变量是