发明内容

针对现有技术的不足，本发明提供了一种基于神经网络的自适应呼吸机控制器设计方法，解决了上述背景技术中提出现在工业生产过程都是复杂多变的而且对产品的要求也很高，常规的控制领域的方法已经不能很好地满足需求的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于神经网络的自适应呼吸机控制器设计方法，包括以下步骤：

S1、选择呼吸机控制器的学习样板；

S2、收集并处理学习样本数据；

S3、确定模型的阶次和时延；

S4、采用恰当的学习算法完成网络的离线学习；

S5、进行对所建立的模型的检验和测试；

S6、数据校正，并进行优化。

可选的，所述步骤S2、收集并处理学习样本数据中，具体的包括以下步骤：

S201、输入测试指令，经神经元捕捉后，输入呼吸机PID控制器中，经过隐含层依次地计算，并往下传递最后到达向输出层；

S202、呼吸机PID控制器中的每一层次的神经元的输出都只是作用于和它最近的下一层次系统神经元的输入；

S203、将呼吸机PID控制器每次输入和输出的数值进行记录并备份，构建出数据模型。

可选的，所述步骤S201中，RBF网络的输出层是隐含层结点的输出都是线性的组合，也就是:

公式里：为第p个输入样本

P＝1，2，...，p为p表示样本总数

c_i为网络隐含层结点的中心

ω_ij为隐含层到输出层的连接权值

i＝1,2，…，h为隐含层的节点数

y_j为与输入样本对应的网络的第j个输出节点的实际输出。

可选的，所述步骤S3、确定模型的阶次和时延中，经每次数据输入，并通过数据模型进行对比分析，确定模型的计算阶次，以及时间延迟时间。

可选的，所述步骤S4、采用恰当的学习算法完成网络的离线学习中，采用的算法学习步骤包括：

S401、网络的初始化：随机选取h个训练样本作为聚类中心c(i＝1,2,…,h)；

S402、将输入系统的训练样本集合，再按照最近邻规则来进行分组；按照χ_p与中心为c_i之间的欧式距离将χ_p分配到系统输入样本的各个聚类集合θ_p(p＝1,2,…,p)中；

S403、再重新调整聚类中心:计算各个聚类集合θ_p中系统训练样本的平均值，也即是计算新的聚类中心c_i，若新的聚类中心不再发生改变，所得到的c_i即是RBF神经网络最终的基函数中心，进入下一轮的中心求解，若不是就返回到步骤S402。

可选的，所述步骤S403中，求解方差σ_i可由以下公式来进行求解：

公式中，c_max即是选择中心之间的最大的距离。

可选的，所述步骤S201中，计算出隐含层和输出层之间的权值大小，采用最小二乘法进行计算，计算公式如下：

可选的，所述步骤S6、数据校正，并进行优化中，具体的包括以下步骤：

S601、根据系统神经元是否输出期望数值，用于判断呼吸机控制器是否继续优选；

S602、若系统的输出层未输出相应的数据信息，将数据通过BP网络将产生的误差信号沿着原来信息的连接通道反向传输回去，并不断修改各个层次神经元的权值，直至输出期望数值。

本发明提供了一种基于神经网络的自适应呼吸机控制器设计方法，具备以下有益效果：

该基于神经网络的自适应呼吸机控制器设计方法设置的神经网络能够任意逼近L2范数上的各种非线性的函数，具有高度并行的结构，可以实现硬件，具有自学习和自适应的特性，可以同时处理定性定量的数据；神经网络因为具有这么多的特性所以就可以实现非常复杂的功能，特别适合于各种复杂生产系统的建模和精确控制的问题，即使是控制的系统中存在着不稳定不确定的生产因素，神经网络自身也是也具有极强的适应能力还有更好的鲁棒性，这样一来就会更加得凸显了神经网络应用的种种优越性能。