(文档含中英文对照即英文原文和中文翻译)
翻译：
文摘：近年来，先进控制技术最优控制冷藏。但仍有许多缺点。的一个主要问题是，传统方法不能实现在线预测最优控制制冷系统的简单而有效的算法。一个RBF神经网络有很强的非线性映射能力，一个好的插值性能，价值和更高的训练速度。因此本文提出了一种两级RBF神经网络。将测量值与预测值，两级RBF神经网络用于在线预测最优控制的冷藏温度。新方法的应用效果显示一个巨大的成 功。
关键词:RBF 神经网络、冷藏、在线预测最优控制。 介绍
冷库温度的预测最优控制到了广泛应用在农业工程，特别是冷藏的水果和蔬菜保鲜的。所有的currently-used 温度控制单元面临如何选择最适温度为控制对象的问题，如何进行冷藏库温度的变化，和如何实现最优控制。大量的工作研究了前面的方法是基于泰勒级数理论和PID 控制算法[1,5]。后来，
毛皮商的转换方法，切比雪夫的理论和一些基础知识的系统我们得到了并且使用了更好的结论(2、3)。近年来，英国石油公司将神经网络用于冷库温度的最优控制。BP 神经网络具有良好的非线性映射的性能，但它有太多的地方并不是那么理想，通常是其训练速度太慢了(2、5)。因此它不能方便地用于在线控制计算。后来也提出了一种两阶段RBF 神经网络实现在线最优控制的冷藏温度。在第一阶段的使用过程中确定当前最佳制冷系统的温度，和第二个阶段是用于在未来时间点进行确定温度的值。此外, 他的解决方案是用于制冷系统的直接行动，一个最难的问题是解决了。
采用RBF 神经网络分为两个阶段。第一阶段是用来确定最佳值的冷藏温度, 而第二个是用来预测温度。一般来说，假设n 个输入变量1x ,…, n x 和m 个输出变量1y ,…, m y .则： 1(,...,)T n x x x = (1) 1(,...,)T m y y y = (2)
使用RBF 神经网络最优控制冷藏，x 代表一个点的n 维输入空间n R ，而y 代表一个点的m 维输出空间m R ，假设隐藏的单位的数量是H 。每个隐单元使用了两个参数，一个是标量，另一个是矢量。假设的训练样本集是()(){(,)}k k x y k K ＃。一
般来说，应该满足n H
K ＃。RBF 神经网络是基于插值radius-based 功能的性能。
为了改善性能，使用下列方程计算出RBF 神经网络的输出j 。
^
2
2
1^
2
2
1
()exp(),1()exp()H
jh h h
j H
h h h x x y j m x x v s s ==--=
＃--åå (3)
在这里，分子是一种传统的RBF 插值算法表达式，而分母不变的插值表达式（1）通过这种分母，衰减指数函数的分子是取消了极大的分母。通过这种方式，改进的RBF 神经网络具有更好的性能。
3、在线计算的冷藏温度
选择的目标价值冷藏温度，需要综合考虑所有的因素。为了合理地使用能源，制冷过程中应该有一个高性能系数0e ，而0e 和制冷量子0Q 与所需的能源P 的关系应该满足公式
0e =
研究结果表明, 0e 随蒸发温度和冷凝温度的下降而增加，而且一个更高的蒸发温度和冷凝温度较低有利于保持新鲜的水果和蔬菜。因此，制冷系统应该运行在更高的蒸发温度和冷凝温度较低的环境中。然而，蒸发温度显然是在冷藏条件下的温度对象的限制。
为一种特殊的水果或蔬菜就进入冷藏，它的最佳储存温度可以得到正交实验方法。最佳储存温度随着储存时间的增加而减小。单位水果或者蔬菜的损失满足公式
(1)(2)
富田事变i i i L L L =+ (5)
草甘膦母液式中(1)i L 是由水果或蔬菜被冻伤造成的，而(2)
i L 是由于时间关系而日益恶化造成的。当环境温度升高了，(1)i L 降低但是(2)i L 会升高。这两个数据都和存储时间
t 相关。因此，
(1)(2)(1)0(2)0[,],[,]i
i i i i i L L f T t t f T t t t t
抖=-=-抖 (6)
在这个式子中，(1)i f 会随着温度T 的升高而降低，但是(2)i f 会升高。0i t 表示进入存储的时间，0i t t -
则表示表示存储时间，然后我们有
(1)0(2)0{[,][,]}i t
i i i i i t L f T t t f T t t dt =-+-ò (7)
对于水果或者蔬菜来说，其最佳储存温度*i T 应该满足以下方程
(1)*0(2)*0[,][,]
0i i i i i i f T t t f T t t T T
??+=抖 (8)
设水果或蔬菜的重力是i g ，其存储损失为i i g L ，则在单位时间间隔内总存储损失为
(1)0(2)01
{[,][,]}n
i i i i i i L g f T t t f T t t t =¶=-+-¶å (9) 设*
T 表示最佳储存温度。它应该满足宵禁令
2*(,)
0L T t t T
¶=抖 (10)
就是
(1)*0(2)*01
[,][,]{}0n
i i i i i i i i f T t t f T t t g T T =??+=抖å (11) 用上面传统的方法计算*i T 是比较费时间的，因此我们使用RBF 神经网络实现的解决*i T 方案。这种RBF 神经网络的第一部分提出两级RBF 神经网络。这
健康之路慢性胃炎
种网络只有一个输出，..i e ，*i T ，并且有2n 个输入，即i g ,1i n ＃ 和
0i t t -,1i n ＃
。H n =在这里作为隐藏的单位使用，方程（11）用于产生足够的
训练样本。
4、冷库温度的在线预测
最优控制的关键问题之一的存储温度是如何准确预测温度。因为他们的鲁棒
性，基于神经网络的预测方法吸引了越来越多的关注。BP 神经网络是一种早期的神经网络用于这一目的。但它的训练时间通常是太长，和它有很多局部最小值点。因此,RBF 神经网络由于其较高的训练速度吸引了越来越多的关注。本文采用两级RBF 神经网络预测存储温度。在预测过程中，温度和湿度之间的耦合关系应该考虑。本文选择输出变量, 在同一时间内设置包括温度变量和湿度变量。输入变量的选择考虑是否有执行控制，涉及以下两种不同的情况:五星会
案例l：自动控制系统
假设有R 个冷藏的操作变量1,...R u u 和S 个状态变量1,...S v v 。考虑一个时间窗口组成的2Q 个时间点,
1212(1),(2),...,...Q Q Q t t Q t t t Q t t t t t t t t Q t
+=--D =--D ==+D =+D (12)
分别用()q r u 和()q s u 表示r u 和 s u 在q t 时的值，令
(1)(1)(1)(1)()()()()1111(,...,,,...,,...,,...,,,...)Q Q Q Q T R S R S x u u v v u u v v = (13) (1)(2)(1)211(,...,,...,,...,)Q Q Q Q T S S y v v v v ++= (14)
式中(),n R S Q m QS =+=，这些预测的作用是根据（13）式中的向量x 确定
（14）式中的y ，在当前时间0t ，所有的测量结果可以用来构造预测网络的输入。假设所有的操作变量和状态变量可以被测量，但是在以后他们的值都是未知的。为了构建一个预测样本，相关的时间 t 应该满足公式 0
t t Q t ?D 。
否则，未知值将包含在示例将是不合理的。 假设已经得到了足够多的样品()
()(,),1,2,...,k k x y k K =，首先，计算隐藏单位的参数，然
后计算存储温度的预测价值。
例2：自动控制系统
此时，输入变量的设置只包含环境温度、湿度和量子存储的水果和蔬菜，等等。任何输入变量不出现在控制算法，而预测变量是稳定状态变量的值。RBF 神经网络的非线性映射函数是用来设计稳定模型。当状态变量的稳定值，控制算法用于计算仓库的温度, 因此预测变量的
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议