專利名稱:一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方自動(dòng)生成方法
技術(shù)領(lǐng)域:
本發(fā)明涉及一種自動(dòng)生產(chǎn)技術(shù),具體涉及一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方自動(dòng)生成方法。
背景技術(shù):
目前,制粒工藝的配方對(duì)制藥產(chǎn)品的性能有著重要的影響。通常配方基本上依靠試驗(yàn)和工人的經(jīng)驗(yàn)來(lái)獲取,這就使得制藥過(guò)程的設(shè)計(jì)有很大的盲目性。因此,用有效的模型來(lái)自動(dòng)獲取配方參數(shù),不但可以提高產(chǎn)品的性能,而且提高生產(chǎn)效率。由于制粒工藝配方和制藥過(guò)程的各項(xiàng)參數(shù)之間存在復(fù)雜的非線性關(guān)系,多數(shù)情況只能靠長(zhǎng)期的試驗(yàn)摸索,由工人感覺(jué)得到,缺乏科學(xué)性和準(zhǔn)確性,經(jīng)驗(yàn)掌握周期長(zhǎng),也容易出現(xiàn)系統(tǒng)誤差。神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)是由人工建立的以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng),它通過(guò)對(duì)連續(xù)或斷續(xù)的輸入作狀態(tài)相應(yīng)而進(jìn)行信息處理,具有容錯(cuò)、聯(lián)想、推測(cè)、記憶、 自適應(yīng)和自處理等特點(diǎn),能較好的完成復(fù)雜輸入和輸出的非線性映射,并行處理能力強(qiáng)。在結(jié)構(gòu)上,可以把一個(gè)神經(jīng)網(wǎng)絡(luò)劃分為輸入層、輸出層和隱含層,如圖2所示。輸入層的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)一個(gè)個(gè)的輸入變量,輸出層的節(jié)點(diǎn)對(duì)應(yīng)輸出變量,可有多個(gè)。在輸入層和輸出層之間是隱含層(對(duì)神經(jīng)網(wǎng)絡(luò)的使用者來(lái)說(shuō)不可見),隱含層的層數(shù)和每層節(jié)點(diǎn)的個(gè)數(shù)決定了神經(jīng)網(wǎng)絡(luò)的復(fù)雜度。通過(guò)訓(xùn)練決定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層極其所含節(jié)點(diǎn)的個(gè)數(shù),以及節(jié)點(diǎn)之間的連接方式,建立輸入變量和輸出變量之間的非線性關(guān)系。因此神經(jīng)網(wǎng)絡(luò)特別適用于研究制粒參數(shù)和配方之間的非線性關(guān)系模型。經(jīng)過(guò)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn),目前尚無(wú)流化床配方生成方法方面的技術(shù)方案。
發(fā)明內(nèi)容
本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方自動(dòng)生成方法,提高產(chǎn)品的性能和生產(chǎn)效率,提高制粒工藝配方或制藥過(guò)程參數(shù)的科學(xué)性和準(zhǔn)確性。為實(shí)現(xiàn)上述目的,本發(fā)明公開一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,其特點(diǎn)是,該方法包含以下步驟
步驟1神經(jīng)網(wǎng)絡(luò)系統(tǒng)采集用于流化床的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本;
步驟1.1現(xiàn)實(shí)的流化床模擬運(yùn)行;
步驟1. 2系統(tǒng)設(shè)定流化床運(yùn)行的原料參數(shù);
步驟1. 3系統(tǒng)根據(jù)流化床的運(yùn)行過(guò)程,給出與原料參數(shù)相對(duì)應(yīng)的配方參數(shù); 步驟1. 4神經(jīng)網(wǎng)絡(luò)系統(tǒng)存儲(chǔ)流化床相對(duì)應(yīng)的原料參數(shù)與配方參數(shù),獲得用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本;
步驟2神經(jīng)網(wǎng)絡(luò)系統(tǒng)仿真訓(xùn)練用于流化床的神經(jīng)網(wǎng)絡(luò);
步驟2. 1神經(jīng)網(wǎng)絡(luò)系統(tǒng)導(dǎo)入訓(xùn)練樣本中的各原料參數(shù),作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)
元;
步驟2. 2神經(jīng)網(wǎng)絡(luò)系統(tǒng)導(dǎo)入訓(xùn)練樣本中的各配方參數(shù),作為神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)兀;
步驟2.3神經(jīng)網(wǎng)絡(luò)系統(tǒng)計(jì)算出隱層神經(jīng)元的數(shù)目,隱層神經(jīng)元數(shù)目N=訓(xùn)練樣本數(shù) /2+e, e隨機(jī)取0到9之間的整數(shù)值;
步驟2. 4神經(jīng)網(wǎng)絡(luò)系統(tǒng)利用訓(xùn)練樣本進(jìn)行仿真訓(xùn)練,確定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值; 步驟2. 5神經(jīng)網(wǎng)絡(luò)系統(tǒng)正向傳播輸入層輸入的訓(xùn)練樣本原料參數(shù),并判斷輸出層的輸出是否與導(dǎo)入輸出層的訓(xùn)練樣本的配方參數(shù)一致,若是,則跳轉(zhuǎn)到步驟2. 8,若否,則跳轉(zhuǎn)到步驟2. 6 ;
步驟2. 6神經(jīng)網(wǎng)絡(luò)系統(tǒng)反向傳播誤差,并進(jìn)行學(xué)習(xí),修改或迭代各層各節(jié)點(diǎn)的權(quán)重和閾值,減小代價(jià)函數(shù);
步驟2. 7神經(jīng)網(wǎng)絡(luò)系統(tǒng)判斷代價(jià)函數(shù)是否能再減小,若是,則完成了輸入層與輸出層的映射,則跳轉(zhuǎn)到步驟2. 6,若否,并跳轉(zhuǎn)到步驟2. 8 ;
步驟2. 8神經(jīng)網(wǎng)絡(luò)系統(tǒng)仿真訓(xùn)練完成,建立輸入層神經(jīng)元與輸出層神經(jīng)元之間的關(guān)
系;
步驟3神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用,自動(dòng)生成流化床的配方; 步驟3. 1神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入原料參數(shù)至神經(jīng)網(wǎng)絡(luò)輸入層; 步驟3. 2神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)原料參數(shù)進(jìn)行處理,輸出層生成配方參數(shù); 步驟3. 3神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸出神經(jīng)網(wǎng)絡(luò)生成的配方參數(shù),控制流化床運(yùn)作。上述的步驟1. 3中的原料參數(shù)包含原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性。上述的步驟1. 3中的配方參數(shù)包含低攪轉(zhuǎn)速、高攪轉(zhuǎn)速、低粒轉(zhuǎn)速、高粒轉(zhuǎn)速、總時(shí)間、高攪開始、低粒開始、高粒開始、噴漿時(shí)長(zhǎng)、噴漿開始、終點(diǎn)電流。本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)的流化床配方自動(dòng)生成系統(tǒng)及其生成方法和現(xiàn)有技術(shù)相比,其優(yōu)點(diǎn)在于,本發(fā)明通過(guò)神經(jīng)網(wǎng)絡(luò)技術(shù)設(shè)定生產(chǎn)配方,以原料參數(shù)自動(dòng)生成控制流化床運(yùn)作的生產(chǎn)配方參數(shù),不需要有經(jīng)驗(yàn)的配方工程師以經(jīng)驗(yàn)設(shè)定配方,提高產(chǎn)品性能和生產(chǎn)效率,提高配方設(shè)定的科學(xué)性和準(zhǔn)確性。
圖1為本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方自動(dòng)生成系統(tǒng)的生成方法的方法流程圖2為神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖3為本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方自動(dòng)生成系統(tǒng)的生成方法的仿真訓(xùn)練方法的方法流程圖。
具體實(shí)施例方式以下結(jié)合
本發(fā)明的具體實(shí)施方式
。本發(fā)明說(shuō)明了一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方自動(dòng)生成方法??勺詣?dòng)根據(jù)原料參數(shù)生成控制流化床運(yùn)作的配方。以下結(jié)合圖1和圖3說(shuō)明本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法, 該方法包含以下步驟。
步驟1神經(jīng)網(wǎng)絡(luò)系統(tǒng)采集用于流化床的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。步驟1. 1現(xiàn)實(shí)的流化床模擬運(yùn)行。步驟1. 2設(shè)定流化床運(yùn)行的原料參數(shù)。步驟1. 3系統(tǒng)根據(jù)流化床及其流化床控制系統(tǒng)運(yùn)行過(guò)程,給出與上述設(shè)定的原料參數(shù)相對(duì)應(yīng)的配方參數(shù)。步驟1.4系統(tǒng)將用于控制流化床運(yùn)作的相對(duì)應(yīng)的原料參數(shù)與配方參數(shù)一個(gè)個(gè)對(duì)應(yīng)起來(lái),并存儲(chǔ)起來(lái)作為用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。該訓(xùn)練樣本包含流化床所要處理原料的原料參數(shù),以及與原料參數(shù)相對(duì)應(yīng)的流化床控制系統(tǒng)控制流化床運(yùn)作的配方參數(shù)。其中,原料參數(shù)包含原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性。配方參數(shù)是指低攪轉(zhuǎn)速、高攪轉(zhuǎn)速、低粒轉(zhuǎn)速、 高粒轉(zhuǎn)速、總時(shí)間、高攪開始、低粒開始、高粒開始、噴漿時(shí)長(zhǎng)、噴漿開始、終點(diǎn)電流。步驟2神經(jīng)網(wǎng)絡(luò)系統(tǒng)導(dǎo)入上述獲得的訓(xùn)練樣本,對(duì)用于流化床的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真訓(xùn)練。如圖2所示,神經(jīng)網(wǎng)絡(luò)包含輸入層、隱層和輸出層。在進(jìn)行仿真訓(xùn)練前,先設(shè)定一個(gè)閾值,如果代價(jià)函數(shù)大于這個(gè)閾值,則神經(jīng)網(wǎng)絡(luò)繼續(xù)訓(xùn)練,小于等于這個(gè)閾值,說(shuō)明代價(jià)函數(shù)不用再減小了。該閾值小,并說(shuō)明訓(xùn)練樣本輸出的配方參數(shù)與訓(xùn)練得到的配方參數(shù)非常接近。步驟2. 1神經(jīng)網(wǎng)絡(luò)系統(tǒng)導(dǎo)入訓(xùn)練樣本中的各原料參數(shù),每一個(gè)原料參數(shù)作為神經(jīng)網(wǎng)絡(luò)的一個(gè)輸入層的神經(jīng)元,其神經(jīng)元數(shù)目即訓(xùn)練樣本中的各原料參數(shù)的數(shù)目。步驟2. 2神經(jīng)網(wǎng)絡(luò)系統(tǒng)導(dǎo)入訓(xùn)練樣本中的各配方參數(shù),每一個(gè)配方參數(shù)作為神經(jīng)網(wǎng)絡(luò)的一個(gè)輸出層的神經(jīng)元,其神經(jīng)元數(shù)目即訓(xùn)練樣本中的各配方參數(shù)的數(shù)目。步驟2. 3神經(jīng)網(wǎng)絡(luò)系統(tǒng)計(jì)算出神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的數(shù)目,神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)目N=訓(xùn)練樣本數(shù)Λ+e (e取0到9之間的整數(shù)值,該e的值由神經(jīng)網(wǎng)絡(luò)系統(tǒng)隨機(jī)產(chǎn)生)。步驟2. 4神經(jīng)網(wǎng)絡(luò)系統(tǒng)利用上述訓(xùn)練樣本仿真訓(xùn)練基于流化床配方生成的BP神經(jīng)網(wǎng)絡(luò),確定BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。其中初始學(xué)習(xí)速率為0. 02,動(dòng)量系統(tǒng)為0. 98,網(wǎng)絡(luò)的誤差為0. 01,采用帶動(dòng)量的批處理梯度下降法來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),其仿真訓(xùn)練方法是目前應(yīng)用最廣泛且理論較成熟的一種方法,它使用梯度搜索技術(shù)使代價(jià)函數(shù)最小化,以完成從輸入層到輸出層的映射。梯度搜索技術(shù)是一種對(duì)某個(gè)準(zhǔn)則函數(shù)的迭代尋優(yōu)算法。設(shè) Ha)是準(zhǔn)則函數(shù),α為一向量。VJfaft ;)是JpjsJ在盧的梯度,為一向量,其方向是
增長(zhǎng)最快的方向;負(fù)梯度方向,則是Jp)減小最快的方向。因此,若求某函數(shù)的極大
值,沿梯度方向走,可最快地達(dá)到最大點(diǎn);反之,沿負(fù)梯度方向走,可最快地達(dá)到最小點(diǎn),梯度搜索技術(shù)是求函數(shù)極小值的迭代算法。代價(jià)函數(shù)采用均方誤差,即誤差的平方和的平均值的平方根。在本發(fā)明中將訓(xùn)練樣本中的原料參數(shù)(原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性)輸入神經(jīng)網(wǎng)絡(luò)的輸入層,神經(jīng)網(wǎng)絡(luò)的輸出層就會(huì)輸出相應(yīng)的配方參數(shù)(低攪轉(zhuǎn)速、高攪轉(zhuǎn)速、低粒轉(zhuǎn)速、高粒轉(zhuǎn)速、總時(shí)間、高攪開始、低粒開始、高粒開始、噴漿時(shí)長(zhǎng)、噴漿開始、終點(diǎn)電流),這個(gè)配方參數(shù)和訓(xùn)練樣本中的對(duì)應(yīng)配方參數(shù)的差值的平方和的平均值的平方根就是流化床的代價(jià)函數(shù)。步驟2. 5神經(jīng)網(wǎng)絡(luò)系統(tǒng)將輸入層輸入的訓(xùn)練樣本的原料參數(shù)在神經(jīng)網(wǎng)絡(luò)在已有權(quán)重和閾值下正向傳播。初始的權(quán)重和閾值為隨機(jī)非零值,這個(gè)值在接下來(lái)會(huì)不斷根據(jù)算法調(diào)整到輸出和訓(xùn)練樣本中的輸出之間的誤差不大時(shí)為止。正向傳播是指輸入信號(hào)從輸入層經(jīng)隱層傳向輸出層。神經(jīng)網(wǎng)絡(luò)系統(tǒng)并判斷經(jīng)過(guò)隱層處理得到輸出層的輸出參數(shù)是否與導(dǎo)入輸出層的訓(xùn)練樣本的配方參數(shù)相一致,若是,則跳轉(zhuǎn)到步驟2. 8,若否,沒(méi)有得到期望的輸出,則跳轉(zhuǎn)到步驟2. 6。步驟2. 6神經(jīng)網(wǎng)絡(luò)系統(tǒng)反向傳播誤差,反向傳播就是將誤差信號(hào)(訓(xùn)練樣本輸出的配方參數(shù)與神經(jīng)網(wǎng)絡(luò)輸出的配方參數(shù))按原連接通路反向計(jì)算,進(jìn)行學(xué)習(xí),由梯度下降法修改或迭代各層神經(jīng)元和各節(jié)點(diǎn)的權(quán)值和閾值,使代價(jià)函數(shù)減小,該代價(jià)函數(shù)即是上述的均方誤差。步驟2. 7神經(jīng)網(wǎng)絡(luò)系統(tǒng)將代價(jià)函數(shù)與仿真訓(xùn)練前設(shè)定的閾值相比較,判斷代價(jià)函數(shù)是否能再減小,若是,則代價(jià)函數(shù)大于事先設(shè)定的閾值,則經(jīng)網(wǎng)絡(luò)繼續(xù)訓(xùn)練,并跳轉(zhuǎn)到步驟2. 6,若否,則代價(jià)函數(shù)小于或等于事先設(shè)定的這個(gè)閾值,則說(shuō)明代價(jià)函數(shù)不用再減小了, 即完成了輸入層與輸出層的映射,并跳轉(zhuǎn)到步驟2. 8。步驟2. 8基于流化床配方生成的BP神經(jīng)網(wǎng)絡(luò)仿真訓(xùn)練完成,建立輸入層神經(jīng)元與輸出層神經(jīng)元之間的關(guān)系。步驟3 —種用于流化床配方生成的神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓(xùn)練好后,將其應(yīng)用于現(xiàn)實(shí)工作中流化床的配方參數(shù)的獲取,實(shí)現(xiàn)生產(chǎn)過(guò)程中配方工藝的自動(dòng)生成。步驟3. 1神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入原料參數(shù)至神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)將各原料參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入層的一個(gè)神經(jīng)元。原料參數(shù)包含原料種類、原料密度、原料粒度、漿液粘度、 漿液比例、漿液溫度和親水性,神經(jīng)網(wǎng)絡(luò)的每一個(gè)輸入層的變量對(duì)應(yīng)原料一種參數(shù)。根據(jù)原料參數(shù),設(shè)定神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元變量的值。步驟3. 2神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)輸入層輸入的原料參數(shù)進(jìn)行處理,采用正向傳播計(jì)算神經(jīng)網(wǎng)絡(luò)輸出層的輸出,由輸出層生成配方參數(shù)。神經(jīng)網(wǎng)絡(luò)根據(jù)上述仿真訓(xùn)練時(shí)建立的輸出層神經(jīng)元與輸出層神經(jīng)元之間的關(guān)系, 自動(dòng)根據(jù)輸入層的原料參數(shù),改變輸出參數(shù)的值,通過(guò)輸出層的神經(jīng)元輸出配方參數(shù)。這些輸出變量和所需的配方一一對(duì)應(yīng),由輸出層變量的值,就可以得到低攪轉(zhuǎn)速、高攪轉(zhuǎn)速、低粒轉(zhuǎn)速、高粒轉(zhuǎn)速、總時(shí)間、高攪開始、低粒開始、高粒開始、噴漿時(shí)長(zhǎng)、噴漿開始、終點(diǎn)電流的值。設(shè)輸入層為向V:
權(quán)利要求
1.一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,其特征在于,該方法包含以下步驟步驟1神經(jīng)網(wǎng)絡(luò)系統(tǒng)采集用于流化床的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本; 步驟2神經(jīng)網(wǎng)絡(luò)系統(tǒng)仿真訓(xùn)練用于流化床的神經(jīng)網(wǎng)絡(luò); 步驟3神經(jīng)網(wǎng)絡(luò)應(yīng)用,自動(dòng)生成流化床配方。
2.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,其特征在于,所述的步驟1包含以下步驟步驟1. 1現(xiàn)實(shí)的流化床模擬運(yùn)行; 步驟1. 2系統(tǒng)設(shè)定流化床運(yùn)行的原料參數(shù);步驟1. 3系統(tǒng)根據(jù)流化床的運(yùn)行過(guò)程,給出與原料參數(shù)相對(duì)應(yīng)的配方參數(shù); 步驟1. 4神經(jīng)網(wǎng)絡(luò)系統(tǒng)存儲(chǔ)流化床相對(duì)應(yīng)的原料參數(shù)與配方參數(shù),獲得用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。
3.如權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,其特征在于,所述的步驟1. 3中所述的原料參數(shù)包含原料種類、原料密度、原料粒度、漿液粘度、漿液比例、漿液溫度和親水性。
4.如權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,其特征在于,所述的步驟1. 3中所述的配方參數(shù)包含低攪轉(zhuǎn)速、高攪轉(zhuǎn)速、低粒轉(zhuǎn)速、高粒轉(zhuǎn)速、總時(shí)間、高攪開始、低粒開始、高粒開始、噴漿時(shí)長(zhǎng)、噴漿開始、終點(diǎn)電流。
5.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,其特征在于,所述的步驟2包含以下步驟步驟2. 1神經(jīng)網(wǎng)絡(luò)系統(tǒng)導(dǎo)入訓(xùn)練樣本中的各原料參數(shù),作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元;步驟2. 2神經(jīng)網(wǎng)絡(luò)系統(tǒng)導(dǎo)入訓(xùn)練樣本中的各配方參數(shù),作為神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元;步驟2. 3神經(jīng)網(wǎng)絡(luò)系統(tǒng)計(jì)算出隱層神經(jīng)元的數(shù)目,隱層神經(jīng)元數(shù)目N=訓(xùn)練樣本數(shù) /2+e, e隨機(jī)取0到9之間的整數(shù)值;步驟2. 4神經(jīng)網(wǎng)絡(luò)系統(tǒng)利用訓(xùn)練樣本進(jìn)行仿真訓(xùn)練,確定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值; 步驟2. 5神經(jīng)網(wǎng)絡(luò)系統(tǒng)正向傳播輸入層輸入的訓(xùn)練樣本原料參數(shù),并判斷輸出層的輸出是否與導(dǎo)入輸出層的訓(xùn)練樣本的配方參數(shù)一致,若是,則跳轉(zhuǎn)到步驟2. 8,若否,則跳轉(zhuǎn)到步驟2. 6 ;步驟2. 6神經(jīng)網(wǎng)絡(luò)系統(tǒng)反向傳播誤差,并進(jìn)行學(xué)習(xí),修改或迭代各層各節(jié)點(diǎn)的權(quán)重和閾值,減小代價(jià)函數(shù);步驟2. 7神經(jīng)網(wǎng)絡(luò)系統(tǒng)判斷代價(jià)函數(shù)是否能再減小,若是,則完成了輸入層與輸出層的映射,則跳轉(zhuǎn)到步驟2. 6,若否,并跳轉(zhuǎn)到步驟2. 8 ;步驟2. 8神經(jīng)網(wǎng)絡(luò)系統(tǒng)仿真訓(xùn)練完成,建立輸入層神經(jīng)元與輸出層神經(jīng)元之間的關(guān)系。
6.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,其特征在于,所述的步驟3方法包含以下步驟步驟3. 1神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸入原料參數(shù)至神經(jīng)網(wǎng)絡(luò)的輸入層;步驟3. 2神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)原料參數(shù)進(jìn)行處理,輸出層生成配方參數(shù); 步驟3. 3神經(jīng)網(wǎng)絡(luò)系統(tǒng)輸出神經(jīng)網(wǎng)絡(luò)生成的配方參數(shù),控制流化床運(yùn)作。
全文摘要
本發(fā)明公開一種基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的流化床配方生成方法,該方法包含以下步驟1、神經(jīng)網(wǎng)絡(luò)系統(tǒng)采集神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,存儲(chǔ)于數(shù)據(jù)存儲(chǔ)模塊;2、神經(jīng)網(wǎng)絡(luò)系統(tǒng)仿真訓(xùn)練;3、神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用,自動(dòng)生成配方。本發(fā)明采用神經(jīng)網(wǎng)絡(luò)技術(shù)設(shè)定生產(chǎn)配方,以原料參數(shù)自動(dòng)生成控制流化床運(yùn)作的生產(chǎn)配方參數(shù),不需要有經(jīng)驗(yàn)的配方工程師以經(jīng)驗(yàn)設(shè)定配方,提高產(chǎn)品性能和生產(chǎn)效率,提高配方設(shè)定的科學(xué)性和準(zhǔn)確性。
文檔編號(hào)B01J2/16GK102258960SQ20111013863
公開日2011年11月30日 申請(qǐng)日期2011年5月26日 優(yōu)先權(quán)日2011年5月26日
發(fā)明者方圓, 方正 申請(qǐng)人:浙江迦南科技股份有限公司