基于l?m神經(jīng)網(wǎng)絡(luò)的氫內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)及其優(yōu)化方法
【專(zhuān)利摘要】本發(fā)明涉及一種基于L?M神經(jīng)網(wǎng)絡(luò)的氫內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)及其優(yōu)化方法，該系統(tǒng)包含數(shù)據(jù)采集模塊、信號(hào)調(diào)理模塊、控制單元、電源模塊、時(shí)鐘模塊、存儲(chǔ)模塊、執(zhí)行單元、接口電路及監(jiān)控模塊，控制單元包含數(shù)據(jù)處理單元及點(diǎn)火正時(shí)優(yōu)化控制模塊，數(shù)據(jù)處理單元根據(jù)控制單元接收到的各個(gè)工況參數(shù)，利用L?M尋優(yōu)算法進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練，得到當(dāng)前工況的最佳點(diǎn)火正時(shí)，并將其傳輸至點(diǎn)火正時(shí)優(yōu)化控制模塊，點(diǎn)火正時(shí)優(yōu)化控制模塊將接收到的最佳點(diǎn)火正時(shí)輸出給點(diǎn)火執(zhí)行器。本發(fā)明利用基于L?M神經(jīng)網(wǎng)絡(luò)準(zhǔn)確、快速地進(jìn)行氫內(nèi)燃機(jī)全工況優(yōu)化控制，點(diǎn)火正時(shí)標(biāo)定誤差小、速度快，能夠達(dá)到理想的預(yù)測(cè)效果，對(duì)于氫內(nèi)燃機(jī)試驗(yàn)研究具有十分重要的意義。
【專(zhuān)利說(shuō)明】
基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)及其優(yōu) 化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及氨燃料發(fā)動(dòng)機(jī)點(diǎn)火正時(shí)優(yōu)化技術(shù)領(lǐng)域，尤其設(shè)及一種基于L-M神經(jīng)網(wǎng) 絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)及其優(yōu)化方法。
【背景技術(shù)】
[0002] 近年來(lái)我國(guó)汽車(chē)工業(yè)呈現(xiàn)一片繁榮景象，據(jù)中國(guó)汽車(chē)工業(yè)協(xié)會(huì)最新統(tǒng)計(jì)，2015年 我國(guó)汽車(chē)產(chǎn)銷(xiāo)量超過(guò)2450萬(wàn)輛，創(chuàng)全球歷史新高。連續(xù)7年贈(zèng)聯(lián)全球第一，產(chǎn)銷(xiāo)量比上年分 別增長(zhǎng)3.3%和4.7%，總體呈現(xiàn)平穩(wěn)增長(zhǎng)態(tài)勢(shì)。汽車(chē)工業(yè)的快速發(fā)展使得環(huán)境問(wèn)題更加凸 顯。在生態(tài)環(huán)境逐步惡化、能源逐漸短缺的今天，保護(hù)環(huán)境、節(jié)能減排已成為經(jīng)濟(jì)社會(huì)可持 續(xù)發(fā)展的必經(jīng)之路。近年來(lái)我國(guó)大面積出現(xiàn)的霧靈天氣也促使人們加快新能源技術(shù)的開(kāi)發(fā) 與利用，新能源汽車(chē)W其突出的優(yōu)勢(shì)正在走向歷史舞臺(tái)。
[0003] 氨能W其排放低、可再生、熱值高等突出優(yōu)勢(shì)得到了各國(guó)研究人員的青睞，由于氨 燃料電池發(fā)動(dòng)機(jī)技術(shù)尚不成熟、生產(chǎn)成本過(guò)高，氨能作為內(nèi)燃機(jī)燃料在今后很長(zhǎng)一段時(shí)間 內(nèi)都將作為氨燃料電池發(fā)動(dòng)機(jī)的過(guò)渡產(chǎn)品。目前熱口的電動(dòng)車(chē)技術(shù)，也存在如充電粧不足、 充電速度慢、成本高等諸多難題，且電能往往也來(lái)源于化石燃料的燃燒供電，因此電動(dòng)汽車(chē) 并非真正"節(jié)能減排"，只是廢氣排放的"搬家"。隨著制氨、儲(chǔ)氨技術(shù)的不斷升級(jí)進(jìn)步，氨內(nèi) 燃機(jī)必將在新能源汽車(chē)領(lǐng)域發(fā)揮其越來(lái)越突出的作用。氨氣相對(duì)于傳統(tǒng)內(nèi)燃機(jī)燃料，有著 燃燒速度快、著火界限寬廣等特性，在內(nèi)燃機(jī)上燃燒時(shí)易發(fā)生早燃和進(jìn)氣道回火等非正常 燃燒現(xiàn)象，嚴(yán)重時(shí)使發(fā)動(dòng)機(jī)停止運(yùn)轉(zhuǎn)。針對(duì)發(fā)動(dòng)機(jī)不同工況，優(yōu)化控制其點(diǎn)火系統(tǒng)，能夠改 善發(fā)動(dòng)機(jī)運(yùn)行，很大程度上避免異常燃燒現(xiàn)象，也是目前各國(guó)研究人員著力于突破的技術(shù) 難點(diǎn)。優(yōu)化氨內(nèi)燃機(jī)點(diǎn)火正時(shí)，往往需要做大量的實(shí)驗(yàn)標(biāo)定工作，在每一個(gè)不同的工況經(jīng)多 次測(cè)試得到最佳點(diǎn)火正時(shí)，因此當(dāng)需要考慮的工況參數(shù)(如轉(zhuǎn)速、負(fù)荷、冷卻水溫度等)較多 或需提高控制精度時(shí)，實(shí)驗(yàn)工作量將非常浩繁。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提出一種基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火 正時(shí)標(biāo)定優(yōu)化系統(tǒng)及其優(yōu)化方法，能夠精確、快速地進(jìn)行氨內(nèi)燃機(jī)全工況優(yōu)化控制，確保氨 內(nèi)燃機(jī)的正常運(yùn)轉(zhuǎn)，對(duì)于氨燃料發(fā)動(dòng)機(jī)的試驗(yàn)研究具有十分重要的意義。
[0005] 本發(fā)明采用W下技術(shù)方案:一種基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化 系統(tǒng)，包含數(shù)據(jù)采集模塊、信號(hào)調(diào)理模塊、控制單元、電源模塊、時(shí)鐘模塊、存儲(chǔ)模塊、執(zhí)行單 元、接口電路及監(jiān)控模塊，數(shù)據(jù)采集模塊采集各個(gè)工況參數(shù)，并將采集的工況參數(shù)傳輸至信 號(hào)調(diào)理模塊，信號(hào)調(diào)理模塊、電源模塊、時(shí)鐘模塊、存儲(chǔ)模塊、執(zhí)行單元、監(jiān)控模塊分別通過(guò) 接口電路與控制單元相信號(hào)連接，控制單元包含數(shù)據(jù)處理單元及點(diǎn)火正時(shí)優(yōu)化控制模塊， 數(shù)據(jù)處理單元根據(jù)控制單元接收到的各個(gè)工況參數(shù)，利用L-M尋優(yōu)算法進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化 訓(xùn)練，得到當(dāng)前工況的最佳點(diǎn)火正時(shí)，并將其傳輸至點(diǎn)火正時(shí)優(yōu)化控制模塊，點(diǎn)火正時(shí)優(yōu)化 控制模塊將接收到的最佳點(diǎn)火正時(shí)輸出給點(diǎn)火執(zhí)行器。
[0006] 上述的，數(shù)據(jù)采集模塊包含空氣流量傳感器、進(jìn)氣管壓力傳感器、節(jié)氣口開(kāi)度傳感 器、氣缸壓力傳感器、爆燃傳感器、冷卻水溫傳感器、氨氣流量傳感器、氨氣壓力傳感器、曲 軸相位與轉(zhuǎn)速傳感器，各個(gè)傳感器采集相應(yīng)工況參數(shù)，并傳輸至信號(hào)調(diào)理模塊。
[0007] 上述的，數(shù)據(jù)處理單元根據(jù)標(biāo)定試驗(yàn)所獲數(shù)據(jù)作為L(zhǎng)-M尋優(yōu)算法的訓(xùn)練樣本和測(cè) 試樣本，建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，將工況參數(shù)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的輸入向量，將點(diǎn)火正 時(shí)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的輸出值;利用L-M尋優(yōu)算法訓(xùn)練該模型的權(quán)值和闊值，W達(dá)到輸 出值與真實(shí)值的均方誤差最小化，得到當(dāng)前工況的最佳點(diǎn)火正時(shí)，其中，標(biāo)定試驗(yàn)所獲數(shù)據(jù) 是指選取部分工況下的工況參數(shù)進(jìn)行點(diǎn)火正時(shí)標(biāo)定試驗(yàn)，根據(jù)內(nèi)燃機(jī)綜合評(píng)價(jià)指標(biāo)選取當(dāng) 前工況最佳點(diǎn)火正時(shí)的數(shù)據(jù)。
[000引一種基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定的優(yōu)化方法，是W上述的基于L-M 神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)為基礎(chǔ)的優(yōu)化方法，其具體包括如下步驟：
[0009] 步驟1.進(jìn)行氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定試驗(yàn)，選取不同工況下的工況參數(shù)，對(duì)不同工 況進(jìn)行試驗(yàn)，得到相應(yīng)工況的最佳點(diǎn)火提前角，作為標(biāo)定數(shù)據(jù)，選定標(biāo)定數(shù)據(jù)中部分?jǐn)?shù)據(jù)作 為訓(xùn)練樣本，另一部分作為測(cè)試樣本；
[0010] 步驟2.建立點(diǎn)火正時(shí)優(yōu)化模型，首先建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，包含輸入層、隱含層 和輸出層，將內(nèi)燃機(jī)各個(gè)工況參數(shù)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型輸入向量，將點(diǎn)火正時(shí)作為神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)模型的輸出值;利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值，W達(dá)到其 輸出值與真實(shí)值的均方誤差最小化；
[0011] 步驟3.設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型初始參數(shù)和L-M尋優(yōu)算法初始參數(shù)，設(shè)定輸入層神 經(jīng)元個(gè)數(shù)η，隱含層神經(jīng)元個(gè)數(shù)q，輸出層數(shù)值，各層神經(jīng)元之間的傳遞函數(shù)，初始化神經(jīng)網(wǎng) 絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值向量W、最大迭代次數(shù)E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控 制參數(shù)Ak、樣本數(shù)量Κ;
[0012] 步驟4.利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，根據(jù)步驟3中的初始參數(shù)進(jìn)行神 經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值優(yōu)化訓(xùn)練，通過(guò)輸出值與實(shí)際樣本值的均方誤差的收斂速度 及精度評(píng)判訓(xùn)練過(guò)程，直至滿(mǎn)足預(yù)定迭代條件為止；
[0013] 步驟5.利用測(cè)試樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型誤差測(cè)試，利用絕對(duì)誤差和相對(duì)誤差 進(jìn)行測(cè)試樣本評(píng)判，若滿(mǎn)足允許誤差精度ε，則跳轉(zhuǎn)至步驟7，否則，執(zhí)行步驟6;
[0014] 步驟6.根據(jù)步驟5的誤差測(cè)試評(píng)判結(jié)果修正神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型和L-M尋優(yōu)算法的 初始參數(shù)，包含修正神經(jīng)元個(gè)數(shù)q，各層神經(jīng)元之間的傳遞函數(shù)，最大迭代次數(shù)Ε，允許誤差 精度ε，初始控制參數(shù)Ak，并跳轉(zhuǎn)至步驟4執(zhí)行；
[0015] 步驟7.確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型參數(shù)及權(quán)值闊值，利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 進(jìn)行內(nèi)燃機(jī)全工況點(diǎn)火正時(shí)預(yù)測(cè)標(biāo)定，控制單元將標(biāo)定結(jié)果傳遞給點(diǎn)火執(zhí)行器W進(jìn)行點(diǎn)火 正時(shí)優(yōu)化控制。
[0016] 步驟3中設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型初始參數(shù)和L-M尋優(yōu)算法初始參數(shù)包含設(shè)定隱含 層神經(jīng)元個(gè)數(shù)q由輸入層神經(jīng)元個(gè)數(shù)η決定，輸出層數(shù)值設(shè)定為1，各層神經(jīng)元之間的傳遞函 數(shù)選擇sigmoid函數(shù)，最大迭代次數(shù)Ε = 100，允許誤差精度ε = 10-3，樣本數(shù)量Κ = 84。
[0017] 上述的優(yōu)化方法，步驟4具體包含如下內(nèi)容：
[0018] 步驟4.1.抽取訓(xùn)練樣本并輸入到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型中；
[0019] 步驟4.2.計(jì)算神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型輸出值，并將輸出值與實(shí)際樣本值進(jìn)行比較，根 據(jù)公式
計(jì)算訓(xùn)練樣本的均方誤差，其中，K是訓(xùn)練樣本數(shù)目，yi是神經(jīng) 網(wǎng)絡(luò)預(yù)測(cè)輸出J是實(shí)際輸出；
[0020] 步驟4.3.判斷該次迭代是否滿(mǎn)足預(yù)定迭代條件，若滿(mǎn)足，則跳轉(zhuǎn)至步驟4.5，否則， 執(zhí)行步驟4.4;
[0021 ]步驟4.4.修正L-M尋優(yōu)算法控制參數(shù)Ak，利用迭代公式：
[002^ χΑ")=χΑ)-?Γ?(χ?+如）▽F(X(k))，更新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型權(quán)值和闊值，并
[0023] 轉(zhuǎn)步驟4.2執(zhí)行，其中，為第k次迭代時(shí)的解，即為權(quán)值和闊值向量，
[0024] H-i(X(k)+AkI)為海森矩陣，VF化(k))為梯度；
[0025] 步驟4.5.輸出最優(yōu)的權(quán)值和闊值作為優(yōu)化結(jié)果。
[0026] 優(yōu)選的，所述滿(mǎn)足預(yù)定迭代條件為達(dá)到最大迭代次數(shù)E或滿(mǎn)足允許誤差精度ε。
[0027] 本發(fā)明的有益效果：
[0028] 1.本發(fā)明利用L-M尋優(yōu)算法，避免牛頓法對(duì)海森矩陣的嚴(yán)苛要求，并且其同樣具有 牛頓法的快速性、算法簡(jiǎn)單易行;加入的控制參數(shù)Ak，使L-M算法既擁有牛頓算法的局部捜 索特性，又具有梯度算法的全局收斂特性，迭代次數(shù)少，訓(xùn)練網(wǎng)絡(luò)效率高;并結(jié)合神經(jīng)網(wǎng)絡(luò) 的自學(xué)習(xí)能力和非線(xiàn)性映射能力，改善傳統(tǒng)BP算法的精度低，收斂慢，易陷入局部極值的問(wèn) 題。
[0029] 2.本發(fā)明利用L-M尋優(yōu)算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，只需少量的實(shí)驗(yàn)標(biāo)定樣本，便可對(duì) 氨內(nèi)燃機(jī)的點(diǎn)火正時(shí)標(biāo)定MAP進(jìn)行高精度的仿真運(yùn)算，代替大量的人為實(shí)驗(yàn)操作，精度高、 速度快，能夠極大程度提高試驗(yàn)研究效率，避免大量重復(fù)性勞動(dòng)，為氨內(nèi)燃機(jī)的后續(xù)研究提 供基礎(chǔ);相對(duì)于傳統(tǒng)的點(diǎn)火系統(tǒng)標(biāo)定方法，本發(fā)明減少了大量人工試驗(yàn)操作過(guò)程，結(jié)合神經(jīng) 網(wǎng)絡(luò)的非線(xiàn)性映射及L-M尋優(yōu)算法能夠快速準(zhǔn)確地全局尋優(yōu)，僅利用部分標(biāo)定試驗(yàn)數(shù)據(jù)實(shí) 現(xiàn)氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定的智能優(yōu)化控制，點(diǎn)火正時(shí)標(biāo)定誤差小、速度快，達(dá)到理想的預(yù)測(cè) 效果，對(duì)于氨燃料發(fā)動(dòng)機(jī)的實(shí)驗(yàn)研究具有十分重要的意義。
【附圖說(shuō)明】
[0030] 圖1為本發(fā)明的基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)控制原理圖；
[0031] 圖2為本發(fā)明的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型；
[0032] 圖3為本發(fā)明的基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化方法流程示意圖；
[0033] 圖4為本發(fā)明的基于L-M算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的實(shí)現(xiàn)流程示意圖。
【具體實(shí)施方式】
[0034] 根據(jù)發(fā)動(dòng)機(jī)根據(jù)不同工況參數(shù)，包括內(nèi)燃機(jī)轉(zhuǎn)速、負(fù)荷、冷卻水溫度、進(jìn)氣管壓力， W內(nèi)燃機(jī)動(dòng)力性、內(nèi)燃機(jī)動(dòng)力性、NOx排放和燃油經(jīng)濟(jì)性作為評(píng)價(jià)指標(biāo)綜合選取當(dāng)前工況的 最佳點(diǎn)火正時(shí)。
[0035] 下面結(jié)合附圖和技術(shù)方案對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明，并通過(guò)優(yōu)選的實(shí)施例詳 細(xì)說(shuō)明本發(fā)明的實(shí)施方式，但本發(fā)明的實(shí)施方式并不限于此。
[0036] 實(shí)施例一，參見(jiàn)圖1所示，一種基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系 統(tǒng)，包含數(shù)據(jù)采集模塊、信號(hào)調(diào)理模塊、控制單元、電源模塊、時(shí)鐘模塊、存儲(chǔ)模塊、執(zhí)行單 元、接口電路及監(jiān)控模塊，數(shù)據(jù)采集模塊采集各個(gè)工況參數(shù)，并將采集的工況參數(shù)傳輸至信 號(hào)調(diào)理模塊，信號(hào)調(diào)理模塊、電源模塊、時(shí)鐘模塊、存儲(chǔ)模塊、執(zhí)行單元、監(jiān)控模塊分別通過(guò) 接口電路與控制單元相信號(hào)連接，控制單元包含數(shù)據(jù)處理單元及點(diǎn)火正時(shí)優(yōu)化控制模塊， 數(shù)據(jù)處理單元根據(jù)控制單元接收到的各個(gè)工況參數(shù)，利用L-M尋優(yōu)算法進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化 訓(xùn)練，得到當(dāng)前工況的最佳點(diǎn)火正時(shí)，并將其傳輸至點(diǎn)火正時(shí)優(yōu)化控制模塊，點(diǎn)火正時(shí)優(yōu)化 控制模塊將接收到的最佳點(diǎn)火正時(shí)輸出給點(diǎn)火執(zhí)行器。
[0037] 上述的，數(shù)據(jù)采集模塊包含空氣流量傳感器、進(jìn)氣管壓力傳感器、節(jié)氣口開(kāi)度傳感 器、氣缸壓力傳感器、爆燃傳感器、冷卻水溫傳感器、氨氣流量傳感器、氨氣壓力傳感器、曲 軸相位與轉(zhuǎn)速傳感器，各個(gè)傳感器采集相應(yīng)工況參數(shù)，并傳輸至信號(hào)調(diào)理模塊。
[0038] 上述的，數(shù)據(jù)處理單元根據(jù)標(biāo)定試驗(yàn)所獲數(shù)據(jù)作為L(zhǎng)-M尋優(yōu)算法的訓(xùn)練樣本和測(cè) 試樣本，建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，將工況參數(shù)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的輸入向量，將點(diǎn)火正 時(shí)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的輸出值;利用L-M尋優(yōu)算法訓(xùn)練該模型的權(quán)值和闊值，W達(dá)到輸 出值與真實(shí)值的均方誤差最小化，得到當(dāng)前工況的最佳點(diǎn)火正時(shí)，其中，標(biāo)定試驗(yàn)所獲數(shù)據(jù) 是指選取部分工況下的工況參數(shù)進(jìn)行點(diǎn)火正時(shí)標(biāo)定試驗(yàn)，根據(jù)內(nèi)燃機(jī)綜合評(píng)價(jià)指標(biāo)選取當(dāng) 前工況最佳點(diǎn)火正時(shí)的數(shù)據(jù)。
[0039] 實(shí)施例二，參見(jiàn)圖1~3所示，一種基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定的優(yōu) 化方法，是W實(shí)施例一所述的基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)為基礎(chǔ) 的優(yōu)化方法，其具體包括如下步驟：
[0040] 步驟1.進(jìn)行氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定試驗(yàn)，選取不同工況下的工況參數(shù)，對(duì)不同工 況進(jìn)行試驗(yàn)，得到相應(yīng)工況的最佳點(diǎn)火提前角，作為標(biāo)定數(shù)據(jù)，選定標(biāo)定數(shù)據(jù)中部分?jǐn)?shù)據(jù)作 為訓(xùn)練樣本，另一部分作為測(cè)試樣本；
[0041 ]步驟2.建立點(diǎn)火正時(shí)優(yōu)化模型，首先建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，包含輸入層、隱含層 和輸出層，將內(nèi)燃機(jī)各個(gè)工況參數(shù)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型輸入向量，將點(diǎn)火正時(shí)作為神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)模型的輸出值;利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值，W達(dá)到其 輸出值與真實(shí)值的均方誤差最小化；
[0042] 步驟3.設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型初始參數(shù)和L-M尋優(yōu)算法初始參數(shù)，設(shè)定輸入層神 經(jīng)元個(gè)數(shù)η，隱含層神經(jīng)元個(gè)數(shù)q，輸出層數(shù)值，各層神經(jīng)元之間的傳遞函數(shù)，初始化神經(jīng)網(wǎng) 絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值向量W、最大迭代次數(shù)E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控 制參數(shù)Ak、樣本數(shù)量Κ;
[0043] 步驟4.利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，根據(jù)步驟3中的初始參數(shù)進(jìn)行神 經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值優(yōu)化訓(xùn)練，通過(guò)輸出值與實(shí)際樣本值的均方誤差的收斂速度 及精度評(píng)判訓(xùn)練過(guò)程，直至滿(mǎn)足預(yù)定迭代條件為止；
[0044] 步驟5.利用測(cè)試樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型誤差測(cè)試，利用絕對(duì)誤差和相對(duì)誤差 進(jìn)行測(cè)試樣本評(píng)判，若滿(mǎn)足允許誤差精度ε，則跳轉(zhuǎn)至步驟7，否則，執(zhí)行步驟6;
[0045] 步驟6.根據(jù)步驟5的誤差測(cè)試評(píng)判結(jié)果修正神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型和L-M尋優(yōu)算法的 初始參數(shù)，包含修正神經(jīng)元個(gè)數(shù)q，各層神經(jīng)元之間的傳遞函數(shù)，最大迭代次數(shù)Ε，允許誤差 精度ε，初始控制參數(shù)Ak，并跳轉(zhuǎn)至步驟4執(zhí)行；
[0046] 步驟7.確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型參數(shù)及權(quán)值闊值，利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 進(jìn)行內(nèi)燃機(jī)全工況點(diǎn)火正時(shí)預(yù)測(cè)標(biāo)定，控制單元將標(biāo)定結(jié)果傳遞給點(diǎn)火執(zhí)行器w進(jìn)行點(diǎn)火 正時(shí)優(yōu)化控制。
[0047] 根據(jù)模糊神經(jīng)網(wǎng)絡(luò)處理非線(xiàn)性數(shù)據(jù)和自學(xué)習(xí)的能力，并結(jié)合了粒子群優(yōu)化算法所 具有的收斂速度快、全局捜索能力強(qiáng)、魯棒性高等優(yōu)點(diǎn)，提出一種模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)動(dòng)機(jī) 點(diǎn)火提前角的優(yōu)化模型，并針對(duì)其利用粒子群算法進(jìn)行優(yōu)化訓(xùn)練尋找最優(yōu)適應(yīng)度及對(duì)應(yīng)的 權(quán)值，改善其收斂速度慢及易陷入局部極值的缺點(diǎn)，對(duì)氨燃料發(fā)動(dòng)機(jī)的實(shí)驗(yàn)標(biāo)定工作起到 了有效的代替作用;與其他進(jìn)化算法相比較，粒子群算法是一種更高效的并行捜索算法，簡(jiǎn) 單，參數(shù)少，易于實(shí)現(xiàn)，可用于求解大量非線(xiàn)性、不可微和多峰值的復(fù)雜優(yōu)化問(wèn)題，且計(jì)算效 率高，可同時(shí)處理群體中多個(gè)個(gè)體，具有本質(zhì)的并行性，算法解的質(zhì)量不依賴(lài)于初始點(diǎn)的選 取，極大的減小工作量及試驗(yàn)成本。
[0048] 實(shí)施例Ξ，參見(jiàn)圖1~4所示，一種基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定的優(yōu) 化方法，是W實(shí)施例一所述的基于L-M神經(jīng)網(wǎng)絡(luò)的氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)為基礎(chǔ) 的優(yōu)化方法，其具體包括如下步驟：
[0049] 步驟1.進(jìn)行氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定試驗(yàn)，選取不同工況下的工況參數(shù)，對(duì)不同工 況進(jìn)行試驗(yàn)，得到相應(yīng)工況的最佳點(diǎn)火提前角，作為標(biāo)定數(shù)據(jù)，選定標(biāo)定數(shù)據(jù)中部分?jǐn)?shù)據(jù)作 為訓(xùn)練樣本，另一部分作為測(cè)試樣本；
[0050] 步驟2.建立點(diǎn)火正時(shí)優(yōu)化模型，首先建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，包含輸入層、隱含層 和輸出層，將內(nèi)燃機(jī)各個(gè)工況參數(shù)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型輸入向量，將點(diǎn)火正時(shí)作為神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)模型的輸出值;利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值，W達(dá)到其 輸出值與真實(shí)值的均方誤差最小化；
[0051] 步驟3.設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型初始參數(shù)和L-M尋優(yōu)算法初始參數(shù)，設(shè)定輸入層神 經(jīng)元個(gè)數(shù)η，隱含層神經(jīng)元個(gè)數(shù)q，輸出層數(shù)值，各層神經(jīng)元之間的傳遞函數(shù)，初始化神經(jīng)網(wǎng) 絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值向量W、最大迭代次數(shù)E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控 制參數(shù)Ak、樣本數(shù)量Κ;
[0052] 步驟4.利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，根據(jù)步驟3中的初始參數(shù)進(jìn)行神 經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)值和闊值優(yōu)化訓(xùn)練，通過(guò)輸出值與實(shí)際樣本值的均方誤差的收斂速度 及精度評(píng)判訓(xùn)練過(guò)程，直至滿(mǎn)足預(yù)定迭代條件為止，具體包含如下內(nèi)容：
[0053] 步驟4.1.抽取訓(xùn)練樣本并輸入到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型中；
[0054] 步驟4.2.計(jì)算神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型輸出值，并將輸出值與實(shí)際樣本值進(jìn)行比較，根 據(jù)公式
十算訓(xùn)練樣本的均方誤差，其中，K是訓(xùn)練樣本數(shù)目，yi是神經(jīng) 網(wǎng)絡(luò)預(yù)測(cè)輸出J是實(shí)際輸出；
[0055] 步驟4.3.判斷該次迭代是否滿(mǎn)足預(yù)定迭代條件，若滿(mǎn)足，則跳轉(zhuǎn)至步驟4.5，否則， 執(zhí)行步驟4.4;
[0056] 步驟4.4.修正L-M尋優(yōu)算法控制參數(shù)Ak，利用迭代公式：
[0057] X(k")=X(k)-H-i(X(k )+AkI)VF(X(k))，更新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型權(quán)值和闊值，并轉(zhuǎn)步驟 4.2執(zhí)行，其中，XW為第k次迭代時(shí)的解，即為權(quán)值和闊值向量，(X?+^kI)為海森矩陣，▽ F化W)為梯度；
[005引步驟4.5.輸出最優(yōu)的權(quán)值和闊值作為優(yōu)化結(jié)果。
[0059] 步驟5.利用測(cè)試樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型誤差測(cè)試，利用絕對(duì)誤差和相對(duì)誤差 進(jìn)行測(cè)試樣本評(píng)判，若滿(mǎn)足允許誤差精度ε，則跳轉(zhuǎn)至步驟7，否則，執(zhí)行步驟6;
[0060] 步驟6.根據(jù)步驟5的誤差測(cè)試評(píng)判結(jié)果修正神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型和L-M尋優(yōu)算法的 初始參數(shù)，包含修正神經(jīng)元個(gè)數(shù)q，各層神經(jīng)元之間的傳遞函數(shù)，最大迭代次數(shù)Ε，允許誤差 精度ε，初始控制參數(shù)Ak，并跳轉(zhuǎn)至步驟4執(zhí)行；
[0061] 步驟7.確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型參數(shù)及權(quán)值闊值，利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 進(jìn)行內(nèi)燃機(jī)全工況點(diǎn)火正時(shí)預(yù)測(cè)標(biāo)定，控制單元將標(biāo)定結(jié)果傳遞給點(diǎn)火執(zhí)行器W進(jìn)行點(diǎn)火 正時(shí)優(yōu)化控制。
[0062] 優(yōu)選的，所述步驟3中設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型初始參數(shù)和L-M尋優(yōu)算法初始參數(shù)包 含設(shè)定隱含層神經(jīng)元個(gè)數(shù)q由輸入層神經(jīng)元個(gè)數(shù)η決定，輸出層數(shù)值設(shè)定為1，各層神經(jīng)元之 間的傳遞函數(shù)選擇sigmoid函數(shù)，最大迭代次數(shù)Ε = 100，允許誤差精度ε = 10-3，樣本數(shù)量Κ = 84。
[0063] 所述滿(mǎn)足預(yù)定迭代條件為達(dá)到最大迭代次數(shù)Ε或滿(mǎn)足允許誤差精度ε。
[0064] 根據(jù)
【發(fā)明內(nèi)容】
進(jìn)行仿真試驗(yàn)，其訓(xùn)練樣本的均方誤差經(jīng)100次計(jì)算就達(dá)到了 0.0028; 84組測(cè)試樣本的預(yù)測(cè)值與真實(shí)值的最大絕對(duì)誤差為0.2454,最小絕對(duì)誤差為 0.00426，最大相對(duì)誤差為0.64%，最小相對(duì)誤差為0.008%。仿真試驗(yàn)結(jié)果表明，基于L-M神 經(jīng)網(wǎng)絡(luò)算法的點(diǎn)火正時(shí)標(biāo)定誤差小、速度快，能夠達(dá)到理想的預(yù)測(cè)效果。
[0065] 利用L-M尋優(yōu)算法，兼具牛頓法和梯度法在尋優(yōu)過(guò)程中的優(yōu)勢(shì)，避免了牛頓法對(duì)海 森矩陣的嚴(yán)苛要求，并且其同樣具有牛頓法的快速性、算法簡(jiǎn)單易行，在目標(biāo)函數(shù)結(jié)構(gòu)簡(jiǎn)單 時(shí)效果卓著；加入控制參數(shù)Ak，使L-M算法既擁有牛頓法的局部捜索特性，又具有梯度法的 全局收斂特性，迭代次數(shù)少，訓(xùn)練網(wǎng)絡(luò)效率高;并結(jié)合神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力和非線(xiàn)性映射 能力，結(jié)合L-M尋優(yōu)算法進(jìn)行氨內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定與優(yōu)化，改善傳統(tǒng)BP算法的精度低，收 斂慢，易陷入局部極值的問(wèn)題，通過(guò)優(yōu)化系統(tǒng)，實(shí)現(xiàn)對(duì)氨內(nèi)燃機(jī)的優(yōu)化控制，在實(shí)際運(yùn)轉(zhuǎn)過(guò) 程中達(dá)到理想的效果。
[0066] 本發(fā)明并不局限于上述【具體實(shí)施方式】，本領(lǐng)域技術(shù)人員還可據(jù)此做出多種變化， 但任何與本發(fā)明等同或者類(lèi)似的變化都應(yīng)涵蓋在本發(fā)明權(quán)利要求的范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于L-M神經(jīng)網(wǎng)絡(luò)的氫內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)，包含數(shù)據(jù)采集模塊、信號(hào) 調(diào)理模塊、控制單元、電源模塊、時(shí)鐘模塊、存儲(chǔ)模塊、執(zhí)行單元、接口電路及監(jiān)控模塊，數(shù)據(jù) 采集模塊采集各個(gè)工況參數(shù)，并將采集的工況參數(shù)傳輸至信號(hào)調(diào)理模塊，信號(hào)調(diào)理模塊、電 源模塊、時(shí)鐘模塊、存儲(chǔ)模塊、執(zhí)行單元、監(jiān)控模塊分別通過(guò)接口電路與控制單元相信號(hào)連 接，其特征在于:控制單元包含數(shù)據(jù)處理單元及點(diǎn)火正時(shí)優(yōu)化控制模塊，數(shù)據(jù)處理單元根據(jù) 控制單元接收到的各個(gè)工況參數(shù)，利用L-M尋優(yōu)算法進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練，得到當(dāng)前工況 的最佳點(diǎn)火正時(shí)，并將其傳輸至點(diǎn)火正時(shí)優(yōu)化控制模塊，點(diǎn)火正時(shí)優(yōu)化控制模塊將接收到 的最佳點(diǎn)火正時(shí)輸出給點(diǎn)火執(zhí)行器。2. 根據(jù)權(quán)利要求1所述的基于L-M神經(jīng)網(wǎng)絡(luò)的氫內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)，其特征 在于:數(shù)據(jù)采集模塊包含空氣流量傳感器、進(jìn)氣管壓力傳感器、節(jié)氣門(mén)開(kāi)度傳感器、氣缸壓 力傳感器、爆燃傳感器、冷卻水溫傳感器、氫氣流量傳感器、氫氣壓力傳感器、曲軸相位與轉(zhuǎn) 速傳感器，各個(gè)傳感器采集相應(yīng)工況參數(shù)，并傳輸至信號(hào)調(diào)理模塊。3. 根據(jù)權(quán)利要求1所述的基于L-M神經(jīng)網(wǎng)絡(luò)的氫內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu)化系統(tǒng)，其特征 在于:數(shù)據(jù)處理單元根據(jù)標(biāo)定試驗(yàn)所獲數(shù)據(jù)作為L(zhǎng)-M尋優(yōu)算法的訓(xùn)練樣本和測(cè)試樣本，建立 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，將工況參數(shù)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的輸入向量，將點(diǎn)火正時(shí)作為神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)模型的輸出值;利用L-M尋優(yōu)算法訓(xùn)練該模型的權(quán)值和閾值，以達(dá)到輸出值與真實(shí) 值的均方誤差最小化，得到當(dāng)前工況的最佳點(diǎn)火正時(shí)，其中，標(biāo)定試驗(yàn)所獲數(shù)據(jù)是指選取部 分工況下的工況參數(shù)進(jìn)行點(diǎn)火正時(shí)標(biāo)定試驗(yàn)，根據(jù)內(nèi)燃機(jī)綜合評(píng)價(jià)指標(biāo)選取當(dāng)前工況最佳 點(diǎn)火正時(shí)的數(shù)據(jù)。4. 一種利用權(quán)利要求1~3任一項(xiàng)所述的基于L-M神經(jīng)網(wǎng)絡(luò)的氫內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定優(yōu) 化系統(tǒng)的優(yōu)化方法，其特征在于:包括如下步驟： 步驟1.進(jìn)行氫內(nèi)燃機(jī)點(diǎn)火正時(shí)標(biāo)定試驗(yàn)，選取不同工況下的工況參數(shù)，對(duì)不同工況進(jìn) 行試驗(yàn)，得到相應(yīng)工況的最佳點(diǎn)火提前角，作為標(biāo)定數(shù)據(jù)，選定標(biāo)定數(shù)據(jù)中部分?jǐn)?shù)據(jù)作為訓(xùn) 練樣本，另一部分作為測(cè)試樣本； 步驟2.建立點(diǎn)火正時(shí)優(yōu)化模型，首先建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，包含輸入層、隱含層和輸 出層，將內(nèi)燃機(jī)各個(gè)工況參數(shù)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型輸入向量，將點(diǎn)火正時(shí)作為神經(jīng)網(wǎng)絡(luò) 結(jié)構(gòu)模型的輸出值;利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)值和閾值，以達(dá)到其輸出 值與真實(shí)值的均方誤差最小化； 步驟3.設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型初始參數(shù)和L-M尋優(yōu)算法初始參數(shù)，設(shè)定輸入層神經(jīng)元 個(gè)數(shù)η，隱含層神經(jīng)元個(gè)數(shù)q，輸出層數(shù)值，各層神經(jīng)元之間的傳遞函數(shù)，初始化神經(jīng)網(wǎng)絡(luò)結(jié) 構(gòu)模型的權(quán)值和閾值向量W、最大迭代次數(shù)E、允許誤差精度ε，及L-M尋優(yōu)算法的初始控制參 數(shù)4、樣本數(shù)量Κ; 步驟4.利用L-M尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，根據(jù)步驟3中的初始參數(shù)進(jìn)行神經(jīng)網(wǎng) 絡(luò)結(jié)構(gòu)模型的權(quán)值和閾值優(yōu)化訓(xùn)練，通過(guò)輸出值與實(shí)際樣本值的均方誤差的收斂速度及精 度評(píng)判訓(xùn)練過(guò)程，直至滿(mǎn)足預(yù)定迭代條件為止； 步驟5.利用測(cè)試樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型誤差測(cè)試，利用絕對(duì)誤差和相對(duì)誤差進(jìn)行 測(cè)試樣本評(píng)判，若滿(mǎn)足允許誤差精度ε，則跳轉(zhuǎn)至步驟7，否則，執(zhí)行步驟6; 步驟6.根據(jù)步驟5的誤差測(cè)試評(píng)判結(jié)果修正神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型和L-M尋優(yōu)算法的初始 參數(shù)，包含修正神經(jīng)元個(gè)數(shù)q，各層神經(jīng)元之間的傳遞函數(shù)，最大迭代次數(shù)Ε，允許誤差精度 ε，初始控制參數(shù)Ak，并跳轉(zhuǎn)至步驟4執(zhí)行； 步驟7.確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型參數(shù)及權(quán)值閾值，利用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行 內(nèi)燃機(jī)全工況點(diǎn)火正時(shí)預(yù)測(cè)標(biāo)定，控制單元將標(biāo)定結(jié)果傳遞給點(diǎn)火執(zhí)行器以進(jìn)行點(diǎn)火正時(shí) 優(yōu)化控制。5. 根據(jù)權(quán)利要求4所述的優(yōu)化方法，其特征在于:所述步驟3中設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 初始參數(shù)和L-M尋優(yōu)算法初始參數(shù)包含設(shè)定隱含層神經(jīng)元個(gè)數(shù)q由輸入層神經(jīng)元個(gè)數(shù)η決 定，輸出層數(shù)值設(shè)定為1，各層神經(jīng)元之間的傳遞函數(shù)選擇s igmo i d函數(shù)，最大迭代次數(shù)Ε = 100，允許誤差精度ε = 10-3，樣本數(shù)量K = 84。6. 根據(jù)權(quán)利要求4所述的優(yōu)化方法，其特征在于:所述步驟4具體包含如下內(nèi)容： 步驟4.1.抽取訓(xùn)練樣本并輸入到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型中； 步驟4.2.計(jì)算神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型輸出值，并將輸出值與實(shí)際樣本值進(jìn)行比較，根據(jù)公 式計(jì)算訓(xùn)練樣本的均方誤差，其中，Κ是訓(xùn)練樣本數(shù)目，yi是神經(jīng)網(wǎng)絡(luò) 預(yù)測(cè)輸出，?是實(shí)際輸出； 步驟4.3.判斷該次迭代是否滿(mǎn)足預(yù)定迭代條件，若滿(mǎn)足，則跳轉(zhuǎn)至步驟4.5，否則，執(zhí)行 步驟4.4; 步驟4.4.修正L-M尋優(yōu)算法控制參數(shù)，利用迭代公式： )(0^ = )^_11-1()^+41)^ 17()(〇〇)，更新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型權(quán)值和閾值，并轉(zhuǎn)步驟4.2 執(zhí)行，其中，X(k)為第k次迭代時(shí)的解，即為權(quán)值和閾值向量，!^(X^+Akl)為海森矩陣，VF(H (k))為梯度； 步驟4.5.輸出最優(yōu)的權(quán)值和閾值作為優(yōu)化結(jié)果。7. 根據(jù)權(quán)利要求4或6任一項(xiàng)所述的優(yōu)化方法，其特征在于:所述滿(mǎn)足預(yù)定迭代條件為 達(dá)到最大迭代次數(shù)E或滿(mǎn)足允許誤差精度ε。
【文檔編號(hào)】G05B13/04GK106066606SQ201610371545
【公開(kāi)日】2016年11月2日
【申請(qǐng)日】2016年5月30日 公開(kāi)號(hào)201610371545.2, CN 106066606 A, CN 106066606A, CN 201610371545, CN-A-106066606, CN106066606 A, CN106066606A, CN201610371545, CN201610371545.2
【發(fā)明人】王麗君, 劉源, 翟昱堯, 張晨, 楊振中, 趙亞楠
【申請(qǐng)人】華北水利水電大學(xué)