的最优解，即满足了 逼近误差和最优样本的 光滑曲线逼近。

2。2 常用的学习算法

RBF 神经网络其良好的性能取决于很多参数，所以在对非线性系统进行建 模的时候不得不先对所选取的模型 辨识 结构中所有的隐层节点的数值进行明 确，选择合适中心值和宽度以及明确对连接权值。这里的一体式的学习方式简单 的来说就是通过对 某一单一 学习方法进行更好的整合，由此来确定这些 RBF 神 经网络性能。

2。2。1 聚类方法

径向基网络函数 其中的隐藏层可以使用 K means 聚类来实现，隐藏节点即 聚类算法最后的每一类，使用最小均方差算法可以等求得输出层的权系数。这 种算法就是以类与类它们之间相互类似的程度来实现的。但聚类的结果经常容易 被受初始参数的影响，而且有时候还和局部极小值有关。

因此聚类中心就是初始值，然后历经多次 迭代后得到达到最优的聚类中心。 具体使用 K means 聚类算法进行学习的步骤如下:

(1)初始化:随机选择数量并且根据实验或一些方法得出的隐层节点个数相

同的训练样本作为初始聚类中心，并且认为迭代次数为 0； (2)抽取合适样本:从己拥有的数据中选择然后作为训练样本 作为输入。 (3)类似匹配:假设 k x是步骤 2 所选取数据 x 在迭代过程中最好聚类中心

的下标值，那么循环第 n 次时 k x的大小为:

k x = arg min  x n n ，k=1，2，。。。，h (2-14) (4)更新:整个流程中，都要在所要求的条件下对径向基函数 中心的进行调

整，其调整规则如下:

(5)判断:假设 ck n+1ck n ，那么跳转到第二步，继续进行 迭代，否则 终止。

用 K means 算法得到合适的聚类中心后，进一步由聚类中心距离 确定参数 值中的宽度:

2。2。2 梯度下降法

本文采用 RBF 的梯度下降法，所以接下来主要介绍 RBF 学习的梯度下降 法该方法是最经典的RBF 神经网络学习算法，由 Moody 与 Darken 提出，其 基本思路是先使用自组织方法对进行聚类，在得到 RBF 神经网络中 h 个隐节点 的中心之后，再由各个数据中心 之间的距离得到隐节点的宽度，最后利用有监 督学训练 从而得到各个隐节点对应的权 值。

由梯度下降 法能够求得输出权、节点中心 及节点基宽的各个参数：

根据系统的自身特性，一般都可以确定其神经网络各参数值的大小，进而 确定出 RBF 神经网络的结构。但是隐层神经元的数目、每个隐层神经元的中心、 宽度以及输出权值都能对网络结构造成影响。因为在 RBF 神经网络中，隐层节点 中大部分情况都采用的是非线性激活函数，带来的结果就是隐层到输出层是一 种线性权值，这个时候可以采用不同的学习策略，首先可以先得到出隐层神经元 的中心值和宽度，紧接着再来进一步求解出 输出的权值;当然也可以将隐层神经 元的中心和宽度 和输出的权值一起进行学习确定。

3 锅炉温度控制系统

火力发电厂中最重要的环节就是温度控制系统，世界各国对此都深入研究， 本章节就先了解火力发电的一些原理，介绍一些最基本的原理，为下文的改进算 法打下基础。

3。1 锅炉工作原理

煤粉是火力发电厂最主要的燃烧物质，同时燃烧设备为了能最大的提高使 用效率都会采用锅炉。本文就是介绍的两种常用的锅炉之一的煤粉锅炉，它能够 提高煤的燃烧速率，同时具有高效节能，起停容易等特点。