[发明专利]BP神经网络在S7-300系列PLC中的实现方法

摘要

本发明公开了BP神经网络在S7-300系列PLC中的实现方法，在S7-300系列PLC系统中定义12个数据块(DB1～DB12)，使其和BP神经网络迭代算式中的输入变量、隐含节点输入、隐含节点输出、输出节点输入、输出变量、权值w_ij、权值w_jk、阈值a_j、阈值b_k、误差e_k、学习效率η、期望输出等若干变量一一对应，将BP神经网络迭代算式中若干变量的存取操作转化为PLC系统对应数据块中变量的存取操作。使用PLC系统的指令系统，直接实现BP神经网络的迭代运算，通过提供单次迭代、误差限结束、限次结束三种运行模式，以适应PLC系统的多种应用场合，避免BP神经网络的运行时间过长而影响PLC系统的正常扫描功能。

主权项

BP神经网络在S7‑300系列PLC中的实现方法，其特征在于按照以下步骤进行：第一步，在S7‑300系列PLC中定义12个数据块：数据块DB1～DB12分别存放BP神经网络迭代算式中的输入变量、隐含节点输入、隐含节点输出、输出层输入、输出变量、权值w_ij、权值w_jk、阈值a_j、阈值b_k、误差e_k、学习效率η和期望输出；第二步，初始化数据块：BP神经网络样本中的输入变量传送到DB1，样本中的输出变量传送到DB12，数据块DB6和DB7中的各变量初值设为零，数据块DB8和DB9中的各变量初值设为0.05，DB11中的学习效率初值设为0.5；第三步，计算隐含层输入：分别从数据块DB1和DB6中取出x_i和w_ij，按下式计算隐含层的输入H_Ij：$H_{\mathrm{Ij}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i,j=\mathrm{1,2},...,l;$第四步，计算隐含层输出：分别从数据块DB2和DB8取出H_Ij和a_j，按下式计算隐含层的输出H_Oj：$H_{\mathrm{Oj}}=\frac{1}{1+e^{-(H_{\mathrm{Ij}}-a_j)}},j=\mathrm{1,2},...,l;$第五步，计算输出层输入：分别从数据块DB3和DB7中取出H_Oj和w_jk，按下式计算输出层的输入P_Ik：$P_{\mathrm{Ik}}=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{H}_{\mathrm{Oj}}{w}_{\mathrm{jk}},k=\mathrm{1,2},...,m;$第六步，计算输出层输出：分别从数据块DB4和DB9中取出P_Ik和b_k，按下式计算输出层的输出P_Ok：P_Ok＝P_Ik‑b_k   k＝1,2,…,m；第七步，计算预测误差：分别从数据块DB5和DB12中取出P_Ok和y_k，按下式计算预测误差e_k：e_k＝y_k‑P_Ok   k＝1,2,…,m；第八步，更新权值w_ij和w_jk：分别从数据块DB7、DB11、DB3和DB10中取出w_jk、η、H_Oj和e_k，按下式更新权值w_jk：w_jk＝w_jk+ηH_Oje_k   j＝1,2,…,l；k＝1,2,…,m；分别从数据块DB6、DB11、DB3、DB1、DB7和DB10中取出w_ij、η、H_Oj、x_i、w_jk和e_k，按下式更新权值w_ij：$w_{\mathrm{ij}}=w_{\mathrm{ij}}+\mathrm{\η}(1-H_{\mathrm{Oj}})x_i\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,l;$第九步，更新阈值a_j和b_k：分别从数据块DB8、DB11、DB3、DB7和DB10中取出w_ij、η、H_Oj、w_jk和e_k，按下式更新阈值a_j：$a_j=a_j+\mathrm{\η}(1-H_{\mathrm{Oj}})\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,j=\mathrm{1,2},...,l,$分别从数据块DB9和DB10中取出b_k和e_k，按下式更新阈值b_k：b_k＝b_k+e_k   k＝1,2,…,m；第十步，判断循环与结束：PLC系统实现的BP网络程序根据Mode标志的三种取值进行判断，Mode＝0为单次迭代运行模式，Mode＝1为限次迭代模式，Mode＝2为误差限运行模式。