[发明专利]一种基于Elman神经网络的工业物联网参数预测方法

权利要求书

1.一种基于Elman神经网络的工业物联网参数预测方法，其特征在于：按照如下方式实现；

步骤1，Elman神经网络网络模型建立，数学模型如下：

h(k)=f(xc(k)wl2+u(k)wl1)]]>

xck=∂xc(k-1)+h(k-1)]]>

y(k)＝w^l3h(k)

其中网络输入层为u(k)，y(k)为输出层，h(k)为隐层输出，为承接层输出。输入层设为r个节点，u(k)为r维向量；隐含层和承接层均为n个节点，h(k)和均为n维向量；输出层为m个节点，y(k)为m维向量。权重w^l1为n×r维矩阵，w^l2为n×n维矩阵，w^l3为m×n维矩阵。f(x)为激活函数，采用sigmoid函数，函数关系式为为反馈增益因子，当不为0时，是改进的Elman神经网络，系统整体误差为：

E(k)=12(yd(k)-y(k))T(yd(k)-y(k))]]>

其中，y(k)为第K步的实际输出值，y_d(k)为相对应的期望值；通过对系统误差E(k)求偏导可得：

Δwijl3=η3δi0hj(k),i=1,2,....,m;j=1,2,....,n]]>

Δwjql3=η2δj0uq(k-1),j=1,2,....,n;j=1,2,....,n]]>

Δwjll1=η1Σi=1m(δi0wijl3)∂hj(k)∂wjll1,j=1,2,....,n;l=1,2,....,n]]>

其中η₁,η₂,η₃为w^l1,w^l2,w^l3的学习速率；

步骤2，对Elman神经网络改进；

将BP网络自适应调整学习效率方法引入Elman网络模型，来改进Elman训练效果；每次循环中，检测权值是否降低了误差函数，如果降低了，说明学习速率值选择偏小，可以适当增加；反之，则产生过调，那么就适当降低学习速率，具体学习速率调整公式如下：

在Elman网络训练迭代过程中，学习效率根据上述公式进行自适应调整，可以加快网络收敛时间，更快逼近最优解；

步骤3，参数预测模型建立：

通过参数样本训练得到网络进行预测，数学模型如下：

f(x_i,m)＝net(x₁,x₂,x₃,x₄,x₅,m)

其中f(x_i,m)为最终预测值,net为训练完成的Elman网络，x_i,m为前期测量值及样品质量；即通过历史实验数据样本训练完成Elman网络后，将上述参数预测模型应用于物联网系统中，可以在线动态地实现参数测量。