基于BP网络对微波加热温度的预测.doc

基于BP网络对微波加热温度的预测.doc基于 BP 网络对微波加热温度的预测【摘要】针对微波加热腔内媒质温度难实时测量的问题,给出了采用 BP 神经网络算法对加热媒质温度进行实时预测。本论文中首先完成了对媒质温度预测的三层 BP 网络的设计。其中针对隐含层节点数多少的问题, 文中首先利用经验公式估计出隐含层节点数目的范围, 然后通过设置循环对隐含层节点数目进行自动筛选, 选出最佳的隐含层节点数。最后,在 MATLAB 的平台上对其进行仿真,并对手动和自动筛选隐含层节点的网络性能以及温度预测结果进行对比分析。【关键词】 BP 神经网络;隐层节点自动筛选;温度预测 0 引言微波加热过程中温度的预测,一般采用数值模拟的方法,其中刘长军等采用时域有限差分求解方程组的方法来模拟媒质温度随时间变化的规律[1] 。赵翔等采用矩量法、半解析法分别求解电磁场方程和热传导方程的方法来模拟温度空间随时间的变化规律[2] 。此类数值模拟的方法, 存在数值计算复杂, 考虑因素不齐全等问题。而直接用温度传感器测量所导致的问题有:需对腔体开孔易造成微波泄漏;微波对传感器辐射,易造成测量不准确和损坏;传感器测量存在时延,不利于实时控制。而用微波功率计对反射功率的测量比温度测量容易, 且精度较高。因此本论文用反射功率、时间、初始温度等对温升产生影响的因素, 结合 BP 算法对加热的温度进行预测。 1 BP 神经网络算法的数学模型 2 隐含层节点数的研究隐含层节点数量对网络性能有很大影响,节点数越多,网络性能越好,但可能导致训练时间较长, 且网络学****后的网络泛化能力会降低, 节点数目太少, 则不能产生供样本数据学****的连接权值组合,导致学****不收敛,最终训练网络不能达到预期的预测效果。 隐含层节点数范围的确定对于神经网络中隐含层节点数目的确定,目前仍没找到确定表达式,以往一直采用经验和不断试验来确定一个近似的隐含层节点数, 而这类方法工作量比较大, 预测的精度以及网络模型的质量都不能保证。其中, m 是输入层节点数, n 是输出层节点数, ξ 是整数,取值范围为 1~ 10 。估算出 i 的取值范围 3~ 12。 隐含层节点数自动筛选的设计本文通过设置 For 循环,对隐含层取值范围内的数进行一一对比测试数据样本对应的输出数据的累计误差和,代写本科论文选取累计误差和最小的隐含层数作为最优隐含层节点数。在筛选中,选用 2层 For 循环,外层 For 循环用于设置隐含层节点数范围,即 3~ 12 ,内层 For 循环用于计算误差和, 其实现步骤为:(1) 选取隐含层节点数为 NodeNum=L (i), 创建网络。(2) 对样本数据进行网络训练。(3) 用测试样本数据对训练好的网络进行测试, 计算测试样本数据与目标输出间的误差矩阵。(4) 对误差矩阵进行求和, 求出当前隐含层节点下的误差和 sumerror 。(5 )比较误差和,筛选出误差和最小的隐层节点数目。 3 BP 算法的 MATLAB 仿真实现本文仿真在 MATLAB 平台上完成, 采用自动筛选隐含层节点数的 BP 算法对微波腔体中媒质的温度进行预测[6] 。 预处理实验将 100ml 的水在室温 ℃下采用不同恒定功率下加热, 记录时间