[发明专利]一种径向基神经网络基于离散粒子群训练的方法

说明书

本发明公开了一种径向基神经网络基于离散粒子群训练的方法，该方法结合离散粒子群自适应寻优和最优梯度下降法的特点，利用离散粒子群随机搜索功能和最优梯度法快速学习功能，弥补了传统神经网络学习陷入局部最优缺陷，实现全局域搜索功能，与传统方法相比，本发明具有较强的搜索能力，自适应调节功能及较强的稳定性。

技术领域

本发明属于燃煤机组协调控制和脱硝控制领域，具体涉及一种径向基神经网络基于离散粒子群训练的方法。

背景技术

我国以燃煤电站为主的电力供应格局在未来相当长的时间内不会发生根本性改变，而燃煤机组的协调优化控制和脱硝优化控制一直以来是众多专家学者研究的重点问题，特别如何能根据机组不同工况的变化自适应匹配控制器的前馈量。目前，常规的方法主要还是构建单变量前馈，这种方式只能考虑单因素的变化对控制器的作用，而如何考虑多变量的影响，并且构建自适应前馈一直以来是一个重要研究方向。

目前来说，多变量前馈构成主要采用神经网络自适应匹配的方法，然而神经网络的自学习目前仍存在诸多的问题，且学习过程往往陷入局部最优而无法实现全局最优匹配。其他的一些诸如代数几何模型和传递模型构建的前馈，其结果的准确性和模型非线性空间的匹配性仍需要进一步的发展。

发明内容

本发明的目的在于针对现有的在线辨识传递过程参数方法的RBF神经网络学习能力不足，提供了一种径向基神经网络基于离散粒子群训练的方法，具有较强的搜索能力，自适应调节功能及较强的稳定性。

为达到上述目的，本发明采用如下的技术方案予以实现：

一种径向基神经网络基于离散粒子群训练的方法，包括以下步骤：

1)构建5-N-1型径向基神经网络系统，确定系统输入变量为x(t)＝[x₁(t),x₂(t),x₃(t),x₄(t),x₅(t)]^T，中间隐含层神经元个数为N，系统输出为u(t)，被控量为y(t)；

2)通过步骤1)的输入变量x(t)构建中间隐含层神经元对输出层的激励φ(x,c_i)，同时设定输入变量对隐含层神经元的权值固定为1，隐含层神经元到输出单元之间的权值为w_i；

3)将步骤2)中的激励φ(x,c_i)和隐含层神经元到输出单元之间的权值w_i相乘，求取累积和，得到系统响应输出u(t)；

4)利用步骤3)得到的系统响应输出u(t)和系统实际输出u_m(t)，定义系统学习评价信号J(t)，驱动神经网络学习和训练；

5)利用步骤4)得到的系统评价信号J(t)，结合离散粒子群寻优和最优梯度下降方法，对激励φ(x,c_i)和权值w_i进行离线训练更新；

6)利用步骤5)中的方法，通过足够的样本训练，最后获得最终的激励和权重，完成对神经网络参数的整体训练。

本发明进一步的改进在于，步骤1)中，N为5至10之间的整数，x₁(t)～x₅(t)分别为和系统控制相关的5个变量。

本发明进一步的改进在于，步骤2)中，隐含层神经元对输出层的激励φ(x,c_i)计算如下：