[发明专利]一种中药饮片中药材自动清洗过程水浊度神经网络预测控制方法

权利要求书

1.一种中药饮片中药材自动清洗过程水浊度神经网络预测控制方法，其特征在于，所述方法包括如下步骤：

1)、记录当前中药饮片中药材自动清洗过程清洗池溢出水浊度与清洗水泵水压的值；

2)、建立神经网络预测模型，采用两层的列文伯格-马夸特神经网络模型，参见式(1)：

其中，时间变量k表示当前时刻，x(k)、x(k+1)、…、x(k+p)分别为第k、k+1、…、k+p时刻神经网络预测模型的输入矢量，控制量u(k-1)、u(k-2)、…、u(k-m)分别为第k-1、k-2、…、k-m时刻记录的实际清洗水泵水压，y(k-1)、y(k-2)、…、y(k-n)分别为第k-1、k-2、…、k-n时刻记录的实际清洗池水浊度，输出量y_m(k)、y_m(k+1)、…、y_m(k+p)分别为神经网络预测模型预测在第k、k+1、…、k+p时刻的水浊度输出量，m和n分别为神经网络预测模型输入矢量中控制量和输出量的长度，p为预测步长；

3)、设在k时刻之后的j个时刻中控制量维持不变，u(k+j)＝u(k+j-1)＝…＝u(k+1)＝u(k)，x(k+j)＝[u(k),…,u(k),u(k-1),…,u(k+j-m),y_m(k+j-1),…,y_m(k),y(k-1),…,y(k+j-n)]；

设神经网络连接权参数矢量w＝[w₁,w₂,…,w_m+n]^T，则第k+j时刻模型预测输出参见式(2)：

y_m(k+j)＝g[x(k+j)·w]，j＝1，2，…，p (2)

其中，符号“T”表示向量的转置，x(k+j)为第k+j时刻模型的输入矢量，g(x)为激活函数，取单极性sigmoid函数，

4)、训练神经网络预测模型，首先，给定输入量u(k)，采集控制对象的阶跃响应y_r(i)，i＝1，2，…，p；然后根据预测模型输出计算式(2)计算输出y_m(k+i)，i＝0，1，…，p；采用Levenberg–Marquardt算法来修正连接权参数矢量w，设误差指标函数，参见式(3)：

其中，第i个训练误差e_i＝y_m(k+i)-y_r(i)，若E(w)＜ε，则连接权参数矢量w可用，训练结束，其中ε为训练误差允许值；否则，连接权参数矢量进行迭代修正，迭代公式参见式(4)：

w^l+1＝w^l+Δw^l，l＝1，2，…，L (4)

其中，l为当前迭代次数，L为迭代次数上限，Δw^l为修正增量，参见式(5)：

Δw^l＝[J^T(w^l)J(w^l)+μI]^-1J^T(w^l)e(w^l) (5)

其中，I为m+n维度单位矩阵，μ为学习率常数，J(w^l)为雅可比矩阵

连接权参数矢量w迭代规则：将计算式(5)得到的Δw^l代入式(4)得到w^l+1，将得到的w^l+1代入式(2)，再用式(3)计算E(w^l+1)，若E(w^l+1)E(w^l)，则令μ＝μ·β，l＝l+1，完成该次迭代；若E(w^l+1)E(w^l)，则令μ＝μ÷β，重新用式(5)计算Δw^l，计算式(4)、(2)、(3)得到E(w^l+1)并与E(w^l)比较，重复此计算，直至E(w^l+1)E(w^l)，令l＝l+1，完成该次迭代；当E(w^l)＜ε或迭代次数达到设定上限L时迭代结束，保存当前连接权参数矢量w，得到神经网络预测模型式(1)，其中，β为自适应因子常数；

5)、反馈校正：设预测模型输出与实际输出之间校正误差为d(k)＝y(k)-y_m(k)，修正后的输出参见式(6)：

y_c(k+j)＝y_m(k+j)+h·d(k)，j＝1，2，…，p， (6)

其中，h为修正因子；

6)、滚动优化：设定水浊度的目标值y_s，设性能指标函数

其中，q_j为误差加权系数，r_i为控制增量加权系数，M为控制时域，p为预测时域，将性能指标函数写成矢量形式，参见式(7)：

C(k)＝[Y_c(k)-Y_s]^TQ[Y_c(k)-Y_s]+ΔU^T(k)RΔU(k) (7)

其中，Y_c(k)＝[y_c(k+1)，y_c(k+2)，…，y_c(k+P)]^T，Q和R分别称为误差加权矩阵和控制增量加权矩阵

采用差分进化算法对性能指标(7)进行优化计算，将性能指标函数(7)作为适应度函数，控制增量作为个体；

差分进化算法由初始化种群、变异、交叉和选择组成；

初始化过程：随机均匀产生N个个体，构成种群，个体ΔU_a(0)＝[Δu_a,1(0),Δu_a,2(0),…,Δu_a,M(0)]，a＝1，2，…，N，第a个个体中的第b维取值参见式(8)：

Δu_a,b(0)＝Δu_min+rand(0,1)·(Δu_max-Δu_min) (8)

其中，序号b＝1，2，…，M，rand(0,1)为0～1之间的随机数，Δu_min为水压控制增量变化的最小幅值，Δu_max水压控制增量变化的最大幅值，M为控制时域；

变异过程：从种群中随机选择3个个体ΔU_p1(g),ΔU_p2(g),ΔU_p3(g)，且p1≠p2≠p3≠a，生成的变异向量参见式(9)：

其中，称为子代实验个体，F为缩放因子；

交叉过程：子代个体ΔU_a(g+1)通过子代实验个体与其父代个体ΔU_a(g)进行交叉操作得到，参见式(10)：

其中，CR为交叉因子，取值范围为0～1；

选择过程：子代与父代竞争，优者替代劣者，参见式(11)：

当进化代数达到最大进化代数G或当前代中的最优个体与最差个体的适应度之差小于设定最小差值eps时差分进化算法终止，最优个体作为最优控制增量序列，将最优控制增量序列的第1个元素作用于下一时刻，下一时刻控制输入参见式(12)：

u(k+1)＝u(k)+Δu(k) (12)

通过在下一时刻进行新一次的预测、输出采样、反馈校正和优化计算，即得到下下一时刻的控制输入，周而复始，实现中药饮片中药材自动清洗过程水浊度神经网络预测控制。