[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

摘要

本发明公开了一种基于Elman神经网络的工业物联网参数预测方法，其中包括Elman神经网络网络模型建立、Elman神经网络的改进以及Elman神经网络的参数预测模型工作流程。在对基于工业物联网构建的智能制造系统中参数的实时感知预测有着良好的效果，能够缩短工业物联网系统参数测量时间，提高系统反馈调节速度。

主权项

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)＝wl3h(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wl1为n×r维矩阵，wl2为n×n维矩阵，wl3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，yd(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wl1,wl2,wl3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(xi,m)＝net(x1,x2,x3,x4,x5,m)其中f(xi,m)为最终预测值,net为训练完成的Elman网络，xi,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。