CN103558757A - 热电锅炉汽包液位控制方法 - Google Patents

Abstract

本发明涉及的热电锅炉汽包液位控制方法，以汽包液位、给水流量和蒸汽流量三个变量作为处理对象，控制***整体采用前馈+串级的结构，主调节器采用以汽包液位为检测和控制变量的常规PID调节器，汽包液位的设定值SP与实际测量值LT的偏差经过PID调节器运算的输出为给水流量的设定值；汽包外供蒸汽流量测量值作为前馈控制量；其副调节器的采用以给水流量为检测和控制变量的单神经元自适应PSD调节器；通过本技术方案，针对锅炉汽包运行的复杂情况，采用先进、可靠、实用的计算，实现对锅炉汽包液位的自适应优化控制，保证锅炉的高效稳定生产。

Description

热电锅炉汽包液位控制方法

技术领域

本发明涉及一种锅炉液位控制方法，特别是涉及一种热电锅炉汽包液位控制方法。

背景技术

在锅炉汽包液位控制***是锅炉生产过程的重要关键工艺，锅炉汽包液位的稳定对维持锅炉安全、提高锅炉效率、降低生产成本至关重要，在锅炉运行过程中，汽包液位稳定的影响因素有很多，其中主要的是给水流量和蒸汽流量，当给水流量增加时，由于给水的温度相对较低，从原有饱和水中吸收热量，对汽包水容积有减小作用，所以汽包水位刚开始不会立即上升，而是表现出起始惯性段；当蒸汽负荷增加时，从物料平衡方面讲，蒸汽量大于给水量，水位应该下降，但是实际中，蒸汽负荷突然增加会造成汽包压力降低，汽水混合物中蒸汽容积迅速增加，水位反而迅速上升，即“虚假水位”现象；另外，随着锅炉设备运行时间的增加以及环境因素变化，炉体内影响汽水变化的对流管束的物理特性会随之发生变化，这会引起模型失配的问题；总之，锅炉汽包液位***是一个惯性大、滞后时间长、非线性时变的***。

发明内容

有鉴于此，本发明的主要目的在于提供一种热电锅炉汽包液位控制方法，通过本技术方案，针对锅炉汽包运行的复杂情况，采用先进、可靠、实用的计算，实现对锅炉汽包液位的自适应优化控制，保证锅炉的高效稳定生产。

为了达到上述目的，本发明的技术方案是这样实现的。

一种热电锅炉汽包液位控制方法，以汽包液位、给水流量和蒸汽流量三个变量作为处理对象，控制***整体采用前馈+串级的结构，主调节器采用以汽包液位为检测和控制变量的常规PID调节器，汽包液位的设定值SP与实际测量值LT的偏差经过PID调节器运算的输出为给水流量的设定值；汽包外供蒸汽流量测量值作为前馈控制量；其副调节器的采用以给水流量为检测和控制变量的单神经元自适应PSD调节器。

当锅炉启动且运行状态稳定后，按照以下步骤实施控制方法。

A.初始化作为主调节器的PID调节器，设置PID调节器的比例、积分、微分系数，设置汽包液位调节的设定值。

B.初始化作为副调节器的神经元自适应PSD调节器，确定神经元的连接权系数初始值w_i(0)、增益K的初始值K(0)、Marsik递推算式T的初值T(0)。增益K的取值，若***超调过大，则减小，若过渡过程时间太长，则增大，权系数初始值w_i(0)和增益K的初始值K(0)的按照下式(1)确定：

$\left\{\begin{array}{c}K\left(0\right)=K_p+K_i+K_{\text{d}}\\ W_1\left(0\right)=K_p/(K_p+K_i+K_d)\\ W_2\left(0\right)=K_i/(K_p+K_i+K_d)\\ W_3\left(0\right)=K_d/(K_p+K_i+K_d)\end{array}\right.---\left(1\right)$

式(1)中K_p，K_i，K_d为PID控制器的最优整定值。传统PID三冲量控制器中脱开主调节器回路和前馈量的作用，使用试凑法或者飞升曲线法对副调节回路的PID控制器进行整定，获得K_p，K_i，K_d的最优整定值，由于神经元的自学习能力，权系数的初值对权系数以后的学习效果影响不大，一般可以选择0.01-1.00之间的三个相等的数，通常取T(0)=L。

C.从现场仪表获取汽包液位、给水流量以及蒸汽流量的实际测量值，并进行滤波处理。

D.主调节器通过运算得出给水流量的期望值。

E.通过蒸汽流量的测量值、给水流量的期望值计算获得副调节器的输入，即给水流量偏差信号e(k)，并根据转换方程(2)得副调节器的三个输入分别为：

x₁(k)=Δe(k),x₂(k)=e(k),x₃(k)=Δ²e(k)。

$\left\{\begin{array}{c}{x}_1\left(k\right)=e\left(k\right)-e(k-1)=\mathrm{\Δe}\left(k\right)\\ x_2\left(k\right)=e\left(k\right)\\ x_3\left(k\right)=e\left(k\right)-2e(k-1)+e(k-2)={\mathrm{\Δ}}^{2}e\left(k\right)\end{array}\right.---\left(2\right)$

F.副调节器通过单神经元的推理运算得到给水调节阀的阀位变化值Δu(k)，Δu(k)与原输出给定阀位值u(k-1)求和得调节器输出u(k)作为给水调节阀的开度给定值。单神经元自适应PSD控制的推理运行方程见式(3):

$\left\{\begin{array}{c}\mathrm{\Δu}\left(k\right)=K\left(k\right)*\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w_i}^{\′}\left(k\right)x_i\left(k\right)\\ u\left(k\right)=u(k-1)+\mathrm{\Δu}\left(k\right)\\ {w_i}^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left|w_i\left(k\right)\right|\end{array}\right.---\left(3\right)$

式中K(k)为全局增益系数，w_i'(k)为归一化的输入权系数。

G.根据算法公式修正算法参数—权值w_i(k)、K(k)、T(k)，给水流量调节器输出后，根据实际的汽包液位控制效果，对比汽包液位测量值、蒸汽流量测量值、给水流量测量值和其相应的设定值，取相应偏差值e(k)、调节器输出值u(k)，进行算法参数—权系数和全局增益的自学习、自适应，来优化控制参数。

权系数w_i(k)的自学习：连接权系数w_i(k)的学习策略采用有监督Hebb学习规则，规则表达式如式(4)，神经元根据给水流量偏差值e(k)的变化对环境信息进行相关学习和自组织，使相应的输出增强或削弱。式(4)中η_i∈[0,1]为学习速率。

w_i(k+1)=w_i(k)+η_ie(k)u(k)[e(k)+Δe(k)]        (4)

全局增益K的自学习：全局增益系数K(k)根据给水流量偏差值e(k)的变化采用由Marsik给出的递推算式在线学习方法，如式(5)：

$\left\{\begin{array}{c}K\left(k\right)=\left\{\begin{array}{cc}K(k-1)+\mathrm{CK}(k-1)/T(k-1),& \mathrm{sign}\left[e\left(k\right)\right]=\mathrm{sign}\left[e(k-1)\right]\\ 0.75K(k-1),& \mathrm{sign}\left[e\left(k\right)\right]\≠\mathrm{sign}\left[e(k-1)\right]\end{array}\right.\\ T\left(k\right)=T(k-1)+L*\mathrm{sign}\left[\right|\mathrm{\Δe}\left(k\right)|-T(k-1)|{\mathrm{\Δ}}^{2}e\left(k\right)\left|\right]\end{array}\right.---\left(5\right)$

式(5)中，学习系数C∈[0.025,0.05]、L∈[0.05,0.1]，sign(x)为符号函数。

H.k=k+1，返回上述步骤C中。

采用上述技术方案后的有益效果是：一种热电锅炉汽包液位控制方法，通过本技术方案，针对锅炉汽包运行的复杂情况，采用先进、可靠、实用的计算，实现对锅炉汽包液位的自适应优化控制，保证锅炉的高效稳定生产。

附图说明

图1为本发明的热电锅炉汽包液位控制方框图。

图2为热电锅炉工作流程方框图。

具体实施方式

下面将结合附图对本发明中具体实施例作进一步详细说明。

本发明涉及的热电锅炉汽包液位控制方法，以汽包液位、给水流量和蒸汽流量三个变量作为处理对象，控制***整体采用前馈+串级的结构，主调节器采用以汽包液位为检测和控制变量的常规PID调节器，汽包液位的设定值SP与实际测量值LT的偏差经过PID调节器运算的输出为给水流量的设定值；汽包外供蒸汽流量测量值作为前馈控制量；其副调节器的采用以给水流量为检测和控制变量的单神经元自适应PSD调节器。

图1中，LT表示汽包液位实际测量值；Fw表示给水流量实际测量值；Fs表示蒸汽流量实际测量值；SP表示汽包液位设定值；e(k)表示给水流量偏差值；u(k)表示给水流量调节器输出值，作为给水调节阀的开度给定值。

当锅炉启动且运行状态稳定后，按照以下步骤实施控制方法。

A.初始化作为主调节器的PID调节器，设置PID调节器的比例、积分、微分系数，设置汽包液位调节的设定值。

B.初始化作为副调节器的神经元自适应PSD调节器，确定神经元的连接权系数初始值w_i(0)、增益K的初始值K(0)、Marsik递推算式T的初值T(0)。增益K的取值，若***超调过大，则减小，若过渡过程时间太长，则增大，权系数初始值w_i(0)和增益K的初始值K(0)的按照下式(1)确定：

$\left\{\begin{array}{c}K\left(0\right)=K_p+K_i+K_{\text{d}}\\ W_1\left(0\right)=K_p/(K_p+K_i+K_d)\\ W_2\left(0\right)=K_i/(K_p+K_i+K_d)\\ W_3\left(0\right)=K_d/(K_p+K_i+K_d)\end{array}\right.---\left(1\right)$

式(1)中K_p，K_i，K_d为PID控制器的最优整定值。传统PID三冲量控制器中脱开主调节器回路和前馈量的作用，使用试凑法或者飞升曲线法对副调节回路的PID控制器进行整定，获得K_p，K_i，K_d的最优整定值，由于神经元的自学习能力，权系数的初值对权系数以后的学习效果影响不大，一般可以选择0.01-1.00之间的三个相等的数，通常取T(0)=L。

C.从现场仪表获取汽包液位、给水流量以及蒸汽流量的实际测量值，并进行滤波处理。

D.主调节器通过运算得出给水流量的期望值。

E.通过蒸汽流量的测量值、给水流量的期望值计算获得副调节器的输入，即给水流量偏差信号e(k)，并根据转换方程(2)得副调节器的三个输入分别为：

x₁(k)=Δe(k),x₂(k)=e(k),x₃(k)=Δ²e(k)。

$\left\{\begin{array}{c}{x}_1\left(k\right)=e\left(k\right)-e(k-1)=\mathrm{\Δe}\left(k\right)\\ x_2\left(k\right)=e\left(k\right)\\ x_3\left(k\right)=e\left(k\right)-2e(k-1)+e(k-2)={\mathrm{\Δ}}^{2}e\left(k\right)\end{array}\right.---\left(2\right)$

F.副调节器通过单神经元的推理运算得到给水调节阀的阀位变化值Δu(k)，Δu(k)与原输出给定阀位值u(k-1)求和得调节器输出u(k)作为给水调节阀的开度给定值。单神经元自适应PSD控制的推理运行方程见式(3):

$\left\{\begin{array}{c}\mathrm{\Δu}\left(k\right)=K\left(k\right)*\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w_i}^{\′}\left(k\right)x_i\left(k\right)\\ u\left(k\right)=u(k-1)+\mathrm{\Δu}\left(k\right)\\ {w_i}^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left|w_i\left(k\right)\right|\end{array}\right.---\left(3\right)$

式中K(k)为全局增益系数，w_i'(k)为归一化的输入权系数。

G.根据算法公式修正算法参数—权值w_i(k)、K(k)、T(k)，给水流量调节器输出后，根据实际的汽包液位控制效果，对比汽包液位测量值、蒸汽流量测量值、给水流量测量值和其相应的设定值，取相应偏差值e(k)、调节器输出值u(k)，进行算法参数—权系数和全局增益的自学习、自适应，来优化控制参数。

权系数w_i(k)的自学习：连接权系数w_i(k)的学习策略采用有监督Hebb学习规则，规则表达式如式(4)，神经元根据给水流量偏差值e(k)的变化对环境信息进行相关学习和自组织，使相应的输出增强或削弱。式(4)中η_i∈[0,1]为学习速率。

w_i(k+1)=w_i(k)+η_ie(k)u(k)[e(k)+Δe(k)]       (4)

全局增益K的自学习：全局增益系数K(k)根据给水流量偏差值e(k)的变化采用由Marsik给出的递推算式在线学习方法，如式(5)：

$\left\{\begin{array}{c}K\left(k\right)=\left\{\begin{array}{cc}K(k-1)+\mathrm{CK}(k-1)/T(k-1),& \mathrm{sign}\left[e\left(k\right)\right]=\mathrm{sign}\left[e(k-1)\right]\\ 0.75K(k-1),& \mathrm{sign}\left[e\left(k\right)\right]\≠\mathrm{sign}\left[e(k-1)\right]\end{array}\right.\\ T\left(k\right)=T(k-1)+L*\mathrm{sign}\left[\right|\mathrm{\Δe}\left(k\right)|-T(k-1)|{\mathrm{\Δ}}^{2}e\left(k\right)\left|\right]\end{array}\right.---\left(5\right)$

式(5)中，学习系数C∈[0.025,0.05]、L∈[0.05,0.1]，sign(x)为符号函数。

H.k=k+1，返回上述步骤C中。

如图1中，LT表示汽包液位实际测量值；Fw表示给水流量实际测量值；Fs表示蒸汽流量实际测量值；SP表示汽包液位设定值；e(k)表示给水流量偏差值；u(k)表示给水流量调节器输出值，作为给水调节阀的开度给定值。

如图2中所示，水流在泵的输送力作用下流向汽包，流动过程中受炉膛的加热不断升温直至汽化，到达汽包后水和蒸汽分离，水汇集于汽包下部，通过下降管和上升管受热持续自循环汽化，蒸汽在汽包上部聚集并向外输送，用来驱动汽轮机等设备，汽包给水流量大小通过泵出口调节阀开度变化或者泵转速变化来调节。

当锅炉启动且运行状态稳定后，按照以下步骤实施本文控制方法。

第一步：初始化作为主调节器的PID调节器，设置其比例、积分、微分系数，设置汽包液位调节的设定值。

第二步：初始化作为副调节器的神经元自适应PSD调节器，确定神经元的连接权系数初始值w_i(0)、增益K的初始值K(0)、Marsik递推算式T的初值T(0)。增益K的取值，若***超调过大，则减小，若过渡过程时间太长，则增大。权系数初始值w_i(0)和增益K的初始值K(0)的按照下式(1)确定：

$\left\{\begin{array}{c}K\left(0\right)=K_p+K_i+K_{\text{d}}\\ W_1\left(0\right)=K_p/(K_p+K_i+K_d)\\ W_2\left(0\right)=K_i/(K_p+K_i+K_d)\\ W_3\left(0\right)=K_d/(K_p+K_i+K_d)\end{array}\right.---\left(1\right)$

式(1)中K_p，K_i，K_d为PID控制器的最优整定值。传统PID三冲量控制器中脱开主调节器回路和前馈量的作用，使用试凑法或者飞升曲线法对副调节回路的PID控制器进行整定，获得K_p，K_i，K_d的最优整定值。由于神经元的自学习能力，权系数的初值对权系数以后的学习效果影响不大，一般可以选择0.01-1.00之间的三个相等的数。通常取T(0)=L。

第三步：从现场仪表获取汽包液位、给水流量以及蒸汽流量的实际测量值，并进行滤波处理。

第四步：主调节器通过运算得出给水流量的期望值。

第五步：通过蒸汽流量的测量值、给水流量的期望值计算获得副调节器的输入，即给水流量偏差信号e(k)，并根据转换方程(2)得副调节器的三个输入分别为：x₁(k)=Δe(k),x₂(k)=e(k),x₃(k)=Δ²e(k)。

$\left\{\begin{array}{c}{x}_1\left(k\right)=e\left(k\right)-e(k-1)=\mathrm{\Δe}\left(k\right)\\ x_2\left(k\right)=e\left(k\right)\\ x_3\left(k\right)=e\left(k\right)-2e(k-1)+e(k-2)={\mathrm{\Δ}}^{2}e\left(k\right)\end{array}\right.---\left(2\right)$

第六步：副调节器通过单神经元的推理运算得到给水调节阀的阀位变化值Δu(k)，Δu(k)与原输出给定阀位值u(k-1)求和得调节器输出u(k)作为给水调节阀的开度给定值。单神经元自适应PSD控制的推理运行方程见式(3):

$\left\{\begin{array}{c}\mathrm{\Δu}\left(k\right)=K\left(k\right)*\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w_i}^{\′}\left(k\right)x_i\left(k\right)\\ u\left(k\right)=u(k-1)+\mathrm{\Δu}\left(k\right)\\ {w_i}^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left|w_i\left(k\right)\right|\end{array}\right.---\left(3\right)$

式中K(k)为全局增益系数，w_i'(k)为归一化的输入权系数。

第七步：根据算法公式修正算法参数—权值w_i(k)、K(k)、T(k)。给水流量调节器输出后，根据实际的汽包液位控制效果，对比汽包液位测量值、蒸汽流量测量值、给水流量测量值和其相应的设定值，取相应偏差值e(k)、调节器输出值u(k)，进行算法参数—权系数和全局增益的自学习、自适应，来优化控制参数。

权系数w_i(k)的自学习：连接权系数w_i(k)的学习策略采用有监督Hebb学习规则，规则表达式如式(4)，神经元根据给水流量偏差值e(k)的变化对环境信息进行相关学习和自组织，使相应的输出增强或削弱。式(4)中η_i∈[0,1]为学习速率。

w_i(k+1)=w_i(k)+η_ie(k)u(k)[e(k)+Δe(k)]      (4)

全局增益K的自学习：全局增益系数K(k)根据给水流量偏差值e(k)的变化采用由Marsik给出的递推算式在线学习方法，如式(5)：

$\left\{\begin{array}{c}K\left(k\right)=\left\{\begin{array}{cc}K(k-1)+\mathrm{CK}(k-1)/T(k-1),& \mathrm{sign}\left[e\left(k\right)\right]=\mathrm{sign}\left[e(k-1)\right]\\ 0.75K(k-1),& \mathrm{sign}\left[e\left(k\right)\right]\≠\mathrm{sign}\left[e(k-1)\right]\end{array}\right.\\ T\left(k\right)=T(k-1)+L*\mathrm{sign}\left[\right|\mathrm{\Δe}\left(k\right)|-T(k-1)|{\mathrm{\Δ}}^{2}e\left(k\right)\left|\right]\end{array}\right.---\left(5\right)$

式(5)中，学习系数C∈[0.025,0.05]、L∈[0.05,0.1]，sign(x)为符号函数。

第八步：k=k+1，返回第三步。

以上所述，仅为本发明的较佳可行实施例而已，并非用以限定本发明的保护范围。

Claims (2)

1.一种热电锅炉汽包液位控制方法，其特征在于，以汽包液位、给水流量和蒸汽流量三个变量作为处理对象，控制***整体采用前馈+串级的结构，主调节器采用以汽包液位为检测和控制变量的常规PID调节器，汽包液位的设定值SP与实际测量值LT的偏差经过PID调节器运算的输出为给水流量的设定值；汽包外供蒸汽流量测量值作为前馈控制量；其副调节器的采用以给水流量为检测和控制变量的单神经元自适应PSD调节器。

2.根据权利要求1所述的热电锅炉汽包液位控制方法，其特征在于，当锅炉启动且运行状态稳定后，按照以下步骤实施控制方法：

A.初始化作为主调节器的PID调节器，设置PID调节器的比例、积分、微分系数，设置汽包液位调节的设定值；

B.初始化作为副调节器的神经元自适应PSD调节器，确定神经元的连接权系数初始值w_i(0)、增益K的初始值K(0)、Marsik递推算式T的初值T(0)。增益K的取值，若***超调过大，则减小，若过渡过程时间太长，则增大，权系数初始值w_i(0)和增益K的初始值K(0)的按照下式(1)确定：

$\left\{\begin{array}{c}K\left(0\right)=K_p+K_i+K_{\text{d}}\\ W_1\left(0\right)=K_p/(K_p+K_i+K_d)\\ W_2\left(0\right)=K_i/(K_p+K_i+K_d)\\ W_3\left(0\right)=K_d/(K_p+K_i+K_d)\end{array}\right.---\left(1\right)$

式(1)中K_p，K_i，K_d为PID控制器的最优整定值。传统PID三冲量控制器中脱开主调节器回路和前馈量的作用，使用试凑法或者飞升曲线法对副调节回路的PID控制器进行整定，获得K_p，K_i，K_d的最优整定值，由于神经元的自学习能力，权系数的初值对权系数以后的学习效果影响不大，一般可以选择0.01～1.00之间的三个相等的数，通常取T(0)=L；

C.从现场仪表获取汽包液位、给水流量以及蒸汽流量的实际测量值，并进行滤波处理；

D.主调节器通过运算得出给水流量的期望值；

E.通过蒸汽流量的测量值、给水流量的期望值计算获得副调节器的输入，即给水流量偏差信号e(k)，并根据转换方程(2)得副调节器的三个输入分别为：

x₁(k)=Δe(k),x₂(k)=e(k),x₃(k)=Δ²e(k)

$\left\{\begin{array}{c}{x}_1\left(k\right)=e\left(k\right)-e(k-1)=\mathrm{\Δe}\left(k\right)\\ x_2\left(k\right)=e\left(k\right)\\ x_3\left(k\right)=e\left(k\right)-2e(k-1)+e(k-2)={\mathrm{\Δ}}^{2}e\left(k\right)\end{array}\right.---\left(2\right)$

F.副调节器通过单神经元的推理运算得到给水调节阀的阀位变化值Δu(k)，Δu(k)与原输出给定阀位值u(k-1)求和得调节器输出u(k)作为给水调节阀的开度给定值。单神经元自适应PSD控制的推理运行方程见式(3):

$\left\{\begin{array}{c}\mathrm{\Δu}\left(k\right)=K\left(k\right)*\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w_i}^{\′}\left(k\right)x_i\left(k\right)\\ u\left(k\right)=u(k-1)+\mathrm{\Δu}\left(k\right)\\ {w_i}^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left|w_i\left(k\right)\right|\end{array}\right.---\left(3\right)$

式中K(k)为全局增益系数，w_i'(k)为归一化的输入权系数；

G.根据算法公式修正算法参数—权值w_i(k)、K(k)、T(k)，给水流量调节器输出后，根据实际的汽包液位控制效果，对比汽包液位测量值、蒸汽流量测量值、给水流量测量值和其相应的设定值，取相应偏差值e(k)、调节器输出值u(k)，进行算法参数—权系数和全局增益的自学习、自适应，来优化控制参数；

权系数w_i(k)的自学习：连接权系数w_i(k)的学习策略采用有监督Hebb学习规则，规则表达式如式(4)，神经元根据给水流量偏差值e(k)的变化对环境信息进行相关学习和自组织，使相应的输出增强或削弱。式(4)中η_i∈[0,1]为学习速率；

w_i(k+1)=w_i(k)+η_ie(k)u(k)[e(k)+Δe(k)]           (4)

全局增益K的自学习：全局增益系数K(k)根据给水流量偏差值e(k)的变化采用由Marsik给出的递推算式在线学习方法，如式(5)：

$\left\{\begin{array}{c}K\left(k\right)=\left\{\begin{array}{cc}K(k-1)+\mathrm{CK}(k-1)/T(k-1),& \mathrm{sign}\left[e\left(k\right)\right]=\mathrm{sign}\left[e(k-1)\right]\\ 0.75K(k-1),& \mathrm{sign}\left[e\left(k\right)\right]\≠\mathrm{sign}\left[e(k-1)\right]\end{array}\right.\\ T\left(k\right)=T(k-1)+L*\mathrm{sign}\left[\right|\mathrm{\Δe}\left(k\right)|-T(k-1)|{\mathrm{\Δ}}^{2}e\left(k\right)\left|\right]\end{array}\right.---\left(5\right)$

式(5)中，学习系数C∈[0.025,0.05]、L∈[0.05,0.1]，sign(x)为符号函数，

H.k=k+1，返回上述步骤C中。

Images