一种基于主动学的板厚智能控制方法

摘要

本发明涉及一种基于主动学的板厚智能控制方法，属于智能控制技术领域，以神经网络可自学的性能为理论依据，将动态神经网络与主动学相结合，在线调整PID控制器参数，构建基于主动学的发育模型，从而建立带钢厚度的智能控制系统，使板厚控制系统能够适时地进行自我调节，通过不断的训练动态神经网络优化板厚控制系统的控制性能。该方法为系统可在线调整控制参数提供了一种泛化能力强，适用范围广的数学模型；其次该方法将主动学与动态神经网络相结合，通过主动学采集网络训练样本，提高了网络自学能力从而提高了系统的自适应能力，实现真正意义上的“智能”。

主权项

一种基于主动学习的板厚智能控制方法，其特征在于，包括以下步骤：（1）构建初始动态神经网络模型，包括输入层、隐含层和输出层，确定各层神经元数量，设定神经元权值、网络训练的最大步数T、学习速率以及最大输出误差，设定PID控制器三个参数,,的初始值，设定板厚控制系统最大输出误差；（2）通过基于一种改进型不确定性采样策略的主动学习算法，综合考虑样本的后验概率及其与已标记样本间的相似性，标注综合评价得分值较小的样本，加入到动态神经网络的训练样本集对网络进行训练，调整网络神经元连接权值；（3）判断是否达到最大训练步数T，若达到最大步数转向步骤（5），否则转向步骤（4）；（4）判断网络输出均方差是否达到期望，若达到期望转向步骤（5），否则转向步骤（2）；（5）将板厚控制系统输出误差及误差变化率作为网络输入，PID控制器三个参数作为网络输出，构建基于主动学习的发育模型，经网络计算得出新的,,值，对参数进行修改；（6）判断动态网络是否需要进行结构调整，若需要执行步骤（7），否则转向步骤（10）；（7）根据sobol’敏感度分析法计算网络隐层神经元敏感度值，并按敏感度值大小进行排序；（8）若满足结构删减条件，删减敏感度值小于的神经元；为敏感度设定阀值，小于目标误差，之后对所有神经元的连接权值进行调整，返回步骤（2）；（9）若满足结构添加条件，添加新神经元，并结合敏感度值排序前两位的神经元对新神经元的连接权值进行设定，之后对所有神经元的连接权值进行调整，返回步骤（2）；（10）判断板厚控制系统输出误差是否小于，若小于，结束调节，否则返回步骤（5）继续调节直至满足期望要求。