PID神经元网络3d打印控制算法

摘要

本发明公开了一种PID神经元网络3d打印控制算法，所述算法具体如下：(1)STEP1输入层：输入层包含2n个神经元，输出数据x_si等于输入数据X_si，计算方法为X_sj(k)＝X_si(k)(2)STEP2隐含层：隐含层有3n个神经元，包括n个比例神经元、n个积分神经元和n个微分神经元。这些神经元的输入值相同，计算方法为隐含层神经元输出的计算方法如下：比例神经元：u_s1(k)＝nets1(k)积分神经元：u_s2(k)＝net_s2(k)+u_s2(k-1)微分神经元：u_s3(k)＝net_s3(k)-net_s3(k-1)(3)STEP3输出层：输出层有n个神经元，构成n维输出量，输出层的输出为隐含层全部神经元的输出值加权和，计算方法如下：本发明的算法能够广泛运用在复杂多变条件下、恶劣的工作环境中的PID神经元网络3D打印，该算法适用于实际的振动、干扰、电磁噪音、运动等复杂情况。

主权项

PID神经元网络3d打印控制算法，其特征在于，所述算法具体如下：(1)STEP1输入层：输入层包含2n个神经元，输出数据x_si等于输入数据X_si，计算方法为X_sj(k)＝X_si(k)(2)STEP2隐含层：隐含层有3n个神经元，包括n个比例神经元、n个积分神经元和n个微分神经元，这些神经元的输入值相同，计算方法为${\mathrm{net}}_{sj}\left(k\right)={\Sigma }_{i=1}^2{\omega }_{ij}{x}_{sy}·\left(k\right)j=1,2,3$隐含层神经元输出的计算方法如下：比例神经元：u_s1(k)＝nets1(k)积分神经元：u_s2(k)＝net_s2(k)+u_s2(k‑1)微分神经元：u_s3(k)＝net_s3(k)‑net_s3(k‑1)式中，s为并联子网络的序号；j为子网络中隐含层神经元序号；x_si(k)为各子网络输入层神经元输出值；w_ij为各子网络输入层至隐含层的连接权重值；(3)STEP3输出层：输出层有n个神经元，构成n维输出量，输出层的输出为隐含层全部神经元的输出值加权和，计算方法如下：$y_h\left(k\right)={\Sigma }_{s=1}^n{\Sigma }_{j=1}^a{\omega }_{jk}{u}_{sj}\left(k\right)$式中，h为输出层神经元序号；s为子网的序号；j为子网的隐含层的神经元序号；u_sj(k)为隐含层个神经元输出值；w_jk为隐含层至输出层的连接权重值。