【摘 要】针对微波加热腔内媒质温度难实时测量的问题，给出了采用 BP神经网络算法对加热媒质温度进行实时预测。本论文中首先完成了对媒质温度预测的三层 BP 网络的设计。其中针对隐含层节点数多少的问题，文中首先利用经验公式估计出隐含层节点数目的范围，然后通过设置循环对隐含层节点数目进行自动筛选，选出最佳的隐含层节点数。最后，在 MATLAB 的平台上对其进行仿真，并对手动和自动筛选隐含层节点的网络性能以及温度预测结果进行对比分析。

　　【关键词】BP神经网络；隐层节点自动筛选；温度预测

　　0 引言

　　微波加热过程中温度的预测，一般采用数值模拟的方法，其中刘长军等采用时域有限差分求解方程组的方法来模拟媒质温度随时间变化的规律[1]。赵翔等采用矩量法、半解析法分别求解电磁场方程和热传导方程的方法来模拟温度空间随时间的变化规律[2]。此类数值模拟的方法，存在数值计算复杂，考虑因素不齐全等问题。而直接用温度传感器测量所导致的问题有：需对腔体开孔易造成微波泄漏；微波对传感器辐射，易造成测量不准确和损坏；传感器测量存在时延，不利于实时控制。而用微波功率计对反射功率的测量比温度测量容易，且精度较高。因此本论文用反射功率、时间、初始温度等对温升产生影响的因素，结合 BP 算法对加热的温度进行预测。

　　1 BP神经网络算法的数学模型

　　2 隐含层节点数的研究

　　隐含层节点数量对网络性能有很大影响，节点数越多，网络性能越好，但可能导致训练时间较长，且网络学习后的网络泛化能力会降低，节点数目太少，则不能产生供样本数据学习的连接权值组合，导致学习不收敛，最终训练网络不能达到预期的预测效果。

　　2.1 隐含层节点数范围的确定

　　对于神经网络中隐含层节点数目的确定，目前仍没找到确定表达式，以往一直采用经验和不断试验来确定一个近似的隐含层节点数，而这类方法工作量比较大，预测的精度以及网络模型的质量都不能保证。

　　其中，m是输入层节点数，n是输出层节点数，ξ是整数，取值范围为1～10。估算出i的取值范围3～12。

　　2.2 隐含层节点数自动筛选的设计

　　本文通过设置For循环，对隐含层取值范围内的数进行一一对比测试数据样本对应的输出数据的累计误差和，代写本科论文选取累计误差和最小的隐含层数作为最优隐含层节点数。在筛选中，选用2层For循环，外层For循环用于设置隐含层节点数范围，即3～12，内层For循环用于计算误差和，其实现步骤为：（1）选取隐含层节点数为NodeNum=L（i），创建网络。（2）对样本数据进行网络训练。（3）用测试样本数据对训练好的网络进行测试，计算测试样本数据与目标输出间的误差矩阵。（4）对误差矩阵进行求和，求出当前隐含层节点下的误差和sumerror。（5）比较误差和，筛选出误差和最小的隐层节点数目。

　　3 BP算法的MATLAB仿真实现

　　本文仿真在MATLAB平台上完成，采用自动筛选隐含层节点数的BP算法对微波腔体中媒质的温度进行预测[6]。

　　3.1 预处理

　　实验将100ml的水在室温20.9℃下采用不同恒定功率下加热，记录时间、温度和反射功率，温度到达50摄氏度，停止加热。

　　4 BP模型温度预测结果分析

　　采用手动和自动筛选隐含层节点数目的网络结构如图3所示：

　　5 结论

　　本文利用在实验中收集的相关数据，采用可自动筛选节点的BP神经网络算法对媒质水的温度进行预测。在微波加热温度可控的工程应用中，本论文具有重要的应用价值。

　　【参考文献】

　　[1]刘长军，闫丽萍，黄卡玛。微波加热中“热失控”的一维数值模拟[C]//2005年全国毫米波会议论文集，2005：1040-1043.

　　[2]赵翔，黄卡玛，闫丽萍，姚远。数值模拟微波加热化学反应过程的初步研究及热点和热失控现象讨论[J].中国科学Q辑：物理学 力学 天文学，2009，39（4）：501-511.

　　[3]陈明，等，编。MATLAB神经网络原理与实例精解[M].清华大学出版社，2013.

　　[4]傅荟璇，等。Matlab神经网络应用设计[M].北京：机械工业出版社，2010.

　　[5]夏克文，李昌彪，沈钧毅。前向神经网络隐含层节点数的一种优化算法[J].计算机科学，2005，32（10）：143-145.

　　[6]封毅，武博强，崔灵周。基于BP神经网络的台风降雨量预测研究[J].水土保持研究，2012，19（3）：289-293.