[发明专利]一种LabWindows/CVI的神经网络种子包衣合格率预测方法

权利要求书

1.一种LabWindows/CVI的神经网络种子包衣合格率预测方法，其特征在于，建立种子包衣合格率预测系统的BP神经网络模型进行预测，具体过程如下：

所述BP神经网络模型选用最常用的Sigmoid函数，其函数F(x)如下：

将基于专家经验库信息作为训练组设置神经网络为多输入单输出模型，为了增加收敛速度，将训练样本，进行归一化操作，假设已知参数的取值范围为[P_Li,P_Ui]，i＝1,2…7；

参数归一化统一采用公式为：

式(2)中：为原参数值，x_i为归一化后参数；P_Li和P_Ui分别为对应参数的下界和上界；将结点的输入端数目设为8；输出端为单输出，其隐层神经元个数基于经验公式确定，具体如下：

式(3)中：m为隐层神经元个数；n为输入端个数，l为输出端个数，α为常数且范围区间在[1,10]，综合实际调试，确定隐层神经元个数为8；

当有k个输入时，得到隐藏层节点的输入加权和方程为：

式(4)中：药种比主电机频率批次时长供药时长泵延时供药排料时长泵额定功率包衣品质作为神经网络模型输入，W_ih为输入层结点至隐蔽层结点的加权值，下标i、h、j分别表示某一输入节点、隐藏层节点和输出节点；

得到最终相应的隐层节点输出为：

采用同样的方法，得到输出层节点的输出加权和为：

式(6)中：W_hj为由隐蔽层结点至输出层结点的加权值；

进一步得到神经网络的预测输出为：

在式(7)中：为神经网络的预测输出，各个节点的阈值等效为一个连接的加权，这些连接由各个节点连接到具有固定值-1的偏置结点，其连接加权也是可调的，同其他的加权一样参与调节过程；

故设计误差函数E(W)为：

式(8)中：为种子包衣合格率，为了有效降低预测误差，采用梯度下降法来优化更新网络加权，权值从输出层开始修正，然后依次修正前层权值；根据梯度下降法得到由隐藏层到输出层的连接加权调节量为：

式(9)中：ΔW_h1为隐藏层到输出层的修正量；η为训练速率系数，取0.01～1之间；其中输出节点误差信号为：

输入层到隐藏层节点的连接加权调节量为：

式中：ΔW_ih为输入层到隐藏层的修正量；其中输出节点误差信号为：

定义BP算法对任意层的加权修正量的一般形式为：

式中：ΔW_pq为p层到q层的加权修正量；为输出端点误差；输入端点的实际输入，每加入一组数据可以对所有加权进行调节一次，不断优化网络权值，以达到在合理领域内准确预测包衣合格率。

2.根据权利要求1所述的基于LabWindows/CVI的神经网络种子包衣合格率预测方法，其特征在于：为了加速包衣运行中神经网络训练过程，除了采用调节训练速率系数之外，还能够采用附加冲量项方法，该方法是为每个加权调节量加上一个正比于前次变化量的值，即每次加权调节完成后，记住该调节量，以便在下面的调节中使用，附加有冲量项的加权调节公式为：

式中：β为冲量系数；加入该系数可以起到缓冲平滑作用，若系统进入误差函数面额平坦区，则δ_q→0，于是通过调整该系数使得调节尽快逃离饱和区。