Vol.20 No.4 盥寿德：智能自动化的模式识别方法 ·387· 献[7]给出了其神经网络算法， 2模式识别方法与时间序列分析相结合 前面论述了用模式识别方法来获取工况信息与过程知识的必要性、技术手段和基本算 法.需要强调说明的是：生产过程都是具有很大热惯性的动态系统，而模式识别方法却以静态 事物为研究对象.因此，为了实现智能自动化的需要必须研究动态模式识别问题，亦即模式序 列的描述；聚类与识别. 仅仅获取工况信息与在线推断产品质量是不够的，过程控制的最终目的在于作出合理的 控制决策以实现工艺最优化，为此有必要建立时间序列预测模型，进而运用预测控制算法，对 于多输人变量、多特征变量和多质量指标的复杂生产过程，预测模型表现为矩阵微分方程的 形式，用神经网络算法可以求解. 我们也可以直接用神经网络建立预测模型，而避开预测模型显式表达.一种可行的方案 是借助自适应延时神经网络ATNN(Adaptive time-delay Neural Network)来进行动态建 模.所谓自适应延时神经网络是指具有如下结构的神经网络，在它们的h一1层第i个节点和h 层第j个节点之间，除了有一般BP网络那样权值为W-的连接线以外，还增加了若干条具 有互相独立的时间延迟Tm-和权值Wm-(伯=1,2，…，N,kA-)的连接线，网络h层任一 节点的输入1m等于h一1层各节点的输出0A-(④(EL,-L-是h一1层的节点集合)不 经延迟和经过不同延迟的加权和.为了书写便利，我们约定：当n=0时，Tmk-1=0,用如下 关系式表达： N I(0=∑∑WamA-1·O-【-TmA-) (1) EL。,n=0 该节点的输出为： f) h≥2 0.0 (2) 0.o0 h=I 其中：f为Sigmoid函数，0.o()表示1时刻网络的第j个输出.图2表示一个3层ATNN,它有 3个输出节点，4个隐含节点和3个输出节点. 输入层 隐含层 输出层 延迟块 input]- 延迟块 outputl 延迟块 input2- 延迟块 →output2 延迟块 input3- 延迟块 output3 延迟块 图2ATNN网络结构图 网络的学习算法采用批处理方式，其误差函数定义为： E=艺Σd0-0 (3) 2ljE Lon