电加热炉装置的制作方法专利名称：电加热炉装置的制作方法技术领域：本发明专利涉及一种智能控制方法，特别是一种改进的神经网络控制方法，应用于电加热炉装置改造。背景技术：工业控制系统中，电加热炉装置一般采用传统的PID控制方法，该方法在特定的 使用工况下具有较好的控制效果，但由于控制器的参数不便于调节，当使用工况发生变化 时，不能取得得好的控制效果。对于过程温度的控制，由于实际工况的复杂性，很难准确建 立对象的数学模型。由于神经网络具有较好的学习能力和非线性逼近特性，以神经网络为 基础的控制器在理论和实际应用上已有一定的研究，包括神经网络为基础的解耦控制器。 由于神经网络的学习能力对整个解耦控制器的解耦性能具有很大的影响，因此本发明提出 了一种改进的神经网络学习方法。BP学习算法的基本原理是梯度最速下降法，其中心思想是调整权值使网络总误差 最小。采用梯度搜索技术，以使网络的实际输出值与期望的误差均方值最小。网络学习过 程是一种误差后向传播修正权系数的过程。一般来说，学习率越大，权值的改变越激烈，在训练初期，较大的学习率对误差的 快速下降有利，但到了一定阶段，大的学习率可能导致振荡，即出现能量函数忽升忽降或不 降反升。所以，缓慢的收敛速度和对算法收敛参数的依赖是BP算法的明显不足。众多方法 提出了改进方案，以下是一种能综合考虑收敛速度和参数鲁棒性的算法。发明内容本发明利用下述改进的神经网络学习方法，提出了一组注塑机料筒加温系统方法。BP网络计算的主题步骤(a).置各权值和阀值的初始值具体实施例方式本发明利用改进的神经网络学习方法，提出了一组电加热炉装置改造方法，其中 改进的神经网络按以下步骤实现(a).置各权值和阀值的初始值权利要求电加热炉装置的技术特征是本发明利用下述改进的神经网络学习方法，提出了一组电加热炉装置系统方法。所述改进的神经网络学习方法流程按以下方式进行(a).置各权值和阀值的初始值(p1，2.Q)其中p为第若干层，Q表示总层数(b).输入训练样本(Iq，dq)，(p1，2.M)其中M表示输入输出数量，对每一个样本进行(c)(e)步(c).计算网络各层的实际输出xpf(sp)f(wpxp-1)，式中，f(*)为激活函数(d).计算梯度g(k)和梯度改变量gk(e).修正权值 w ( k + 1 )=w ( k )+ p 2k pk-1 其中pk是关于w(k)序列、k序列、gk序列的函数，如Pk+1k+1Pk-gk+1(f).当样本集中的所有样本都经历了(c)(e)步，即完成一个训练周期，计算性能指标， E ( w )= 1 2 w TQw+ b Tw+c (g).如果性能指标猫族精度要求，即E，那么训练结束，否则转到(b)，继续下一个训练周期。是小的正数，根据实际情况选取。F2009100480099C0000011.tif,F2009100480099C0000012.tif2.根据权利要求项1，所述激活函数的技术特征是激活函数可采用三角函数、双极性函数、分段函数、sigmoid函数、基于sigmoid函数 的变形函数，等。3.根据权利要求项1，所述修正权值的技术特征是所述修正权值特指在个迭代计算若干次后，将搜索方向重新设置为梯度方向，再按(e) 迭代。4.根据权利要求项1，所述0k的技术特征是全文摘要本发明电加热炉装置，涉及一种智能控制方法，特别是一种改进的神经网络控制方法，针对电加热炉装置控制对象的非线性，利用改进的神经网络学习方法，提出了一种电加热炉装置优化方法；其中改进的神经网络采用作为改进的权值修正方法。