[发明专利]基于改进型模糊神经网络的表冷器控制方法

权利要求书

1.一种基于改进型模糊神经网络的表冷器控制方法，其特征在于包括如下步骤：

(1)、对被控对象表冷器进行建立模糊神经网络模型；

(2)、设置模糊神经网络结构，包括层数、节点数；

(3)、设置模糊神经网络的各个参数，并通过粒子群算法求得各参数最优初值；

(4)、将各参数最优初值赋值给模糊神经网络；

(5)、利用样本和学习算法对模糊神经网络进行训练，所述样本是通常工况下针对表冷器这个被控对象的输入数据和输出数据。

2.根据权利要求1所述的基于改进型模糊神经网络的表冷器控制方法，其特征在于：所述步骤(2)中模糊神经网络结构包括前件网络和后件网络，所述前件网络将输入量映射到各模糊子集后经合成运算得到各规则适应度值，后件网络对各输入量线性加权后根据各规则适应度值计算出网络输出值；

所述前件网络为四层网络结构：

第一层：输入层；各输入变量x₁，x₂，…x_n经过该层节点进入到网络下一层，是外部信息进入该网络的入口，该层节点数N₁＝2，分别为x₁、x₂，具体为：

式中，K₁、K₂为量化因子，c(t)和y(t)分别为表冷器出风温度设定值和实测值；e(t)表示表冷器出风温度的设定值和实测值之差。

第二层：模糊化层；该层中的所有节点均表示一个模糊语言变量值，通过采用隶属度函数计算各输入量属于各模糊语言子集的程度,输入x₁、x₂分割为7个模糊子集{NB,NM,NS,ZO,PS,PM,PB}，隶属度函数均采用高斯铃型函数，各输入变量的隶属度值计算公式为:

式中，c_ij为隶属度函数的中心；σ_ij为隶属度函数的宽度,i＝1,2,…,n；j＝1,2,…,m_i；n为输入变量个数，m_i为输入变量x_i的模糊分割数，该层节点数N₂＝m₁+m₂，取n＝2，m₁＝m₂＝7，N₂＝14；

第三层：模糊规则适应度值计算层；该层节点表示模糊系统中的模糊规则，通过模糊算子计算出各规则适应度值，采用的模糊算子为连乘算子，表达式如下：

式中，j₁＝1,2,…,m₁，j₂＝1,2,…,m₂，…,j_n＝1,2,…,m_n；i＝1,2,…,m，该层节点中，越靠近输入值的模糊语言子集的隶属函数值就越大；反之，距离输入值越远的模糊语言子集的隶属度函数值就越小；隶属度函数值越小的节点对输出值的贡献就越小，而该层节点中仅有少数节点值较大，其余节点值很小对输出几乎无作用，也即是说它具有局部逼近特性，该层节点数N₃＝m，选取N₃＝m＝49；

第四层：归一化层；该层主要实现对上层各规则适应度值的归一化操作，故本层节点数与第三层节点数一致，此处N₄＝N₃＝49；

后件网络为三层网络结构：

第一层：输入层；它是外部输入变量与网络内部节点的接口；该层含有一个值为1的输入节点，为线性加权算子的常数项；

第二层：模糊规则推理层；该层与前件网络中第三层节点相同，所有节点组合成一个完整的模糊规则库，故由前可知节点数为m个；实现模糊规则推理计算，此处为对输入变量进行线性组合操作，即

第三层：输出层；该层节点根据规则适应度值计算网络输出；