1.一种基于自编码模糊神经网络的温度控制方法,其特征在于,包括如下步骤:(1)采集待控制的温度数据,对温度数据进行预处理,得到预处理后的数据;
(2)将预处理后的数据使用自编码神经网络进行学习和降维处理,生成低维度表示;
(3)首先,使用模糊控制器将低维度表示和控制误差作为输入,将低维度表示和控制误差分解为多个局部模型,在每个局部模型上设计一个T-S模糊控制器,然后采用加权平均的方法将各个T-S模糊控制器的输出进行合成得到控制增量;
然后,将输出的控制增量通过PID控制器进行反演得到控制信号,T-S模糊控制器集成PID控制器时的输出控制信号表达式:其中,Δha是T-S模糊控制器第a个局部模型上的控制增量,wa是第a局部模型的权值,Kp、Ki、Kd分别是比例、积分、微分系数;yref(t)是设置的参考输出值,y(t)是实际输出值,N是样本个数,a是第a个局部模型;
(4)将控制信号反馈给温度控制系统进行实时控制;
所述自编码神经网络采用多层感知器架构,表达形式为:
其中,x是输入数据;W1和b1分别为自编码神经网络的权重和偏置;f是Logsig激活函数,f(W1x+b1)表达为自编码神经网络在前一层中的传递方式;的输出表达式表达为该神经网络的最终输出形式;W2和b2分别为模糊控制器的权重和偏置;
所述自编码神经网络的损失函数定义为:
L(θ)=LAE(θ)+LFC(θ)
其中,LAE(θ)是自编码神经网络的重构误差,LFC(θ)是模糊控制器的误差,θ是自编码神经网络的参数。
2.如权利要求1所述基于自编码模糊神经网络的温度控制方法,其特征在于,所述控制误差具体计算公式如下:e(t)=yref(t)-y(t)
其中,yref(t)是设置的参考输出值,y(t)是实际输出值,e(t)是控制误差。
3.如权利要求1所述基于自编码模糊神经网络的温度控制方法,其特征在于,所述模糊控制器的误差LFC(θ)的表达形式为:其中,N为样本数,i为第i个样本,yi为期望输出,为自编码神经网络输入量。
4.如权利要求1所述基于自编码模糊神经网络的温度控制方法,其特征在于,所述自编码神经网络的每层都包含Logsig激活函数,Logsig函数的定义为x为输入数据。
5.如权利要求1所述基于自编码模糊神经网络的温度控制方法,其特征在于,所述步骤(2)中,将预处理后的温度数据输入到自编码神经网络中,通过反向传播算法进行训练,学习数据的特征并将预处理后的温度数据压缩到低维度表示,具体包括如下步骤:S1:对包含N个样本的数据集{x1,x2,…,xN},其中每个样本xi={xi1,xi2,…,xim}有m个特征;
S2:使用自编码器对数据进行降维处理:
假设隐藏层z的节点数为kl,其中输入层和输出层都有nl个节点,自编码器的目标是最小化输入和输出之间的误差,即最小化重构误差:其中L(xi,f(g(xi)))是输入xi与输出f(g(xi))之间的均方误差,g(xi)表示输入层到隐藏层的转换,f(g(xi))表示从隐藏层到输出层的转换;是稀疏正则项,用于控制自编码神经网络神经元的激活数量;θ是自编码器模型参数;L是隐藏层的数量,i是当前计算隐藏层的第i个节点,j是当前计算的输入层与输出层的第j个节点;
S3:当达到设定所需最小化重构误差的收敛条件时训练完成,使用自编码器的隐藏层的输出作为数据集的降维表示:xi→g(xi)→zi
其中g(xi)是输入层到隐藏层的转换,zi是隐藏层的输出,即降维表示。
6.如权利要求1所述基于自编码模糊神经网络的温度控制方法,其特征在于,所述步骤(1)中,预处理为将采集的温度数据进行归一化处理,将所有的输入参数原始数据的值域映射到[0,1],归一化处理的公式为:其中xnew是归一化后的参数值,x归一化前的参数值,xmin是样本内的最小参数值,xmax是样本内的最大参数值。
7.如权利要求1所述基于自编码模糊神经网络的温度控制方法,其特征在于,所述步骤(1)中,预处理前,将采集到的数据分为测试集和训练集。