[发明专利]一种基于神经网络的温度估测方法

权利要求书

1.一种基于神经网络的温度估测方法，其特征在于，包括以下步骤：

1)在实验条件下，通过温度传感器测量被测物体在实际工况中不方便测量部位的周边温度数据和被测物体该部位的温度数据作为样本数据，在不同的时间下获取大量的样本数据，并进行预处理和归一化；

2)根据实际情况选取神经网络模型的层数和各层的节点数，利用所得的温度数据训练神经网络模型，直至神经网络模型的误差达到要求为止；

3)在实际工况中，获取被测物体不方便测量部位的周边温度后，利用步骤2)训练好的神经网络模型即可实时估测被测物体不方便测量部位的温度。

2.根据权利要求1所述的一种基于神经网络的温度估测方法，其特征在于：在步骤1)中，为了避免测量方式造成的误差，应该根据实际工况，固定好温度传感器放置的位置，保证实验条件和实际工况下的一致性。

3.根据权利要求1所述的一种基于神经网络的温度估测方法，其特征在于：在步骤2)中，把步骤1)中获取的大量样本数据存储在一个数组中，从中随机挑选大部分数据作为训练集，用于训练神经网络模型，剩余数据作为测试集，用于检测训练好的神经网络模型的质量；

对于神经网络模型的选择：神经网络模型要有输入层、隐藏层和输出层，其中隐藏层有Q个，Q0，每层节点的数量记为m_j，其中j表示第j层，0j＝Q+2；第一层为输入层，有m₁个节点，m₁根据被测物体在实际工况中不方便测量部位的周边温度个数决定；最后一层为输出层，有m_Q+2个节点，m_Q+2根据在实际工况中需要估测的不方便测量部位的个数决定；其它层的节点数根据实际情况选取；每层之间的参数记为W_j和b_j，它们表示第j-1层和第j层之间的参数，其中W_j为一个m_j*m_j-1的矩阵，b_j为一个有m_j个元素的向量，它包含了第j层每个节点的激活阈值；

输出层的激活函数选取线性函数为：f(x)＝x，其中x为该层的输入值，其余各层之间的激活函数选取为：f(x)＝max(0,x)，则隐藏层的输出O_j为：O_j＝max(0,W_jO_j-1+b_j)，输出层的输出为：Y＝W_jO_j-1+b_j，其中O_j-1为是上一层的输出，且在隐藏层的输出和输出层的输出中O_j-1是不同的，因为它们是不同的层，j不同；

根据以上计算的结果，同时选取损失函数E为：E＝‖o-Y‖²/2，其中o为实验条件下，在实际工况中不方便测量部位的温度数据，Y为神经网络模型估测出来的该部位温度数据；

调整各层之间的权值参数W_j和b_j：当学习率为η时，根据梯度下降法，神经网络模型各层之间的权值参数的调整量ΔW_j、Δb_j为：根据链式求导得到，学习率选为0.1-1之间的数；

训练时，要考虑温度数据的归一化，把数据压缩在[0,1]；

神经网络模型的训练采用反向传播方法，当实际输出值与期望输出值不相同时，根据上面求得权值参数的调整值来调整各个节点的权值参数，在这个过程中，各层权值会不断调整，直到神经网络模型输出的误差小于设定的值或学习的次数达到设定的值为止时，神经网络模型训练完成；

最后，使用测试集检测神经网络模型的质量，如果没有达到要求，就重新选择神经网络模型参数，再次训练，直到达到要求为止。