CN110057045B - 用于空调器的控制方法 - Google Patents

Abstract

本发明公开了一种用于空调器的控制方法，属于家用电器技术领域。本发明的用于空调器的控制方法，包括：获取所述空调器在不同工况下以不同运行参数运行时的能效参数；以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型；将所述空调器在其他不同工况下的不同运行参数作为所述神经网络模型的输入量，以获取相对应的能效参数输出值；根据所述能效参数输出值确定能效指标；根据获取的所述能效指标控制所述空调器运行。本发明的用于空调器的控制方法，通过训练神经网络模型，基于输入的工况信息和运行参数预测能效比，寻找最优能效比下的空调器运行参数，以控制空调器运行，提高空调器的运行效率。

Description

用于空调器的控制方法

技术领域

本发明涉及灶具技术领域，特别涉及用于空调器的控制方法。

背景技术

现有的空调器不同工况下时，不同的运行参数，如压缩机频率、阀门开度等参数变化时，其能效比不同。为实现空调器节能、高效运行，追求能效比最优是提高空调器运行效率的重要手段。对于变频空调，能效最优的状态一般是在空调器定频模式下，而现有的在用户家中使用的空调器通常以变频状态运行，不同工况下的不同运行参数的能效比不同，需要确定不同工况下的能效最优的运行参数，以实现空调器处于动态能效比最优的状态。

发明内容

本发明实施例提供了一种用于空调器的控制方法，通过训练神经网络模型，基于输入的工况信息和运行参数预测能效比，寻找最优能效比下的空调器运行参数，以控制空调器运行，提高空调器的运行效率。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种用于空调器的控制方法，包括：获取所述空调器在不同工况下以不同运行参数运行时的能效参数；以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型；将所述空调器在其他不同工况下的不同运行参数作为所述神经网络模型的输入量，以获取相对应的能效参数输出值；根据所述能效参数输出值确定能效指标；根据获取的所述能效指标控制所述空调器运行；其中，所述空调器的不同工况包括：进风干球、进风湿球、室外干球和室外湿球的数值以及设定温度；所述运行参数包括：压缩机频率、阀开度、内风机转速和外风机转速；所述能效参数包括：出风干球、出风湿球和功率。

可选地，其中，根据所述能效参数输出值确定能效指标包括：根据如下公式确定风量v：

根据如下公式确定制冷量或制热量Q：Q＝V(h_a-h_b)/v(1+W_n)；根据如下公式确定能效指标：

其中，通过进风干球、进风湿球和出风干球、出风湿球，通过查找焓湿图得到出风焓值h_a和进风焓值h_b；W_n为空气湿度，通过出风干球和出风湿球确定；v为出风比容，v可以通过查找焓湿图确定；EER为能效比。

可选地，根据获取的所述能效指标控制所述空调器运行包括：在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数。

可选地，在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数包括：通过for循环和if判断遍历查找设定温度下的最高能效比对应的运行参数。

可选地，在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数包括：将不同工况下对应的最佳能效比的空调运行参数编写为数据表格，根据工况选择最佳能效比对应的运行参数控制所述空调器运行。

可选地，以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型包括：根据如下公式对样本数据进行归一化：x′_i＝(x_i-x_min)/(x_max-x_min)；其中，x_i为归一化后的数据；x_min为输入数据序列中的最小值；x_max为输入数据序列中的最大值。

可选地，以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型还包括：进行初始化设置；计算隐含层输出值；计算输出层输出值；计算误差；更新权值；更新隐含层阈值c和输出层阈值b；判断误差。

可选地，进行初始化设置包括：设置输入层节点数量为9、输出层节点数量为3、连接权值ω_ij、ω_jk、隐含层阈值c、输出层阈值b，学习速率η和神经元激励函数f。

可选地，其中，根据如下公式计算隐含层输出值H：

其中，X为输入变量；f为隐含层激励函数；m为隐含层节点数；

根据如下公式计算输出层输出值O：

根据如下公式计算误差：e_k＝Y_k-O_k；

根据如下公式更新权值：

ω_jk＝ω_jk+ηH_je_k j＝1,2，……,m；k＝1,2，……，n；

根据如下公式更新隐含层阈值c和输出层阈值b：

b_k＝b_k+e_k k＝1,2，……，n。

本发明实施方式的用于空调器的控制方法，通过训练神经网络模型，基于输入的工况信息和运行参数预测能效比，寻找最优能效比下的空调器运行参数，以控制空调器运行，提高空调器的运行效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种用于空调器的控制方法的流程示意图；

图2是根据另一示例性实施例示出的一种用于空调器的控制方法的流程示意图；

图3是根据一示例性实施例示出的一种神经网络模型输入输出关系示意图；

图4是根据另一示例性实施例示出的一种用于空调器的控制方法的流程示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言，由于其与实施例公开的方法部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

图1是根据示例性实施例示出的本发明用于空调器的控制方法的流程示意。如图1所示，本发明一种实施方式的用于空调器的控制方法，包括：在步骤S110中，获取所述空调器在不同工况下以不同运行参数运行时的能效参数；在步骤S120中，以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型；在步骤S130中，将所述空调器在其他不同工况下的不同运行参数作为所述神经网络模型的输入量，以获取相对应的能效参数输出值；在步骤S140中，根据所述能效参数输出值确定能效指标；在步骤S150中，根据获取的所述能效指标控制所述空调器运行。

现有的空调器能效最优的状态一般只出现在定频模式下，在实际用户家，以变频运行时，并不能实现空调器以最高能效状态运行。空调器在不同工况下，以不同的参数运行时的能效指标是不同的，因此寻求最优能效比下的运行参数从而控制空调运行，实现空调节能、高效运行。

上述方案中，通过测试多台空调器在不同工况条件下，如不同的室内/进风干球、室内/进风湿球、室外干球、室外湿球、设定温度值下以不同参数，如不同的压缩机频率、阀开度、内风机转速和外风机转速下运行时，对应的出风干球、出风湿球的数值及功率。将这些测试数据作为样本，训练以空调器运行参数和工况参数为输入量、以出风干球、出风湿球的数值及功率为输出量的BP神经网络模型，该模型可以根据输入量预测出风干球、出风湿球及功率，从而计算各个工况条件下、不同运行参数对应的能效指标，根据能效指标控制空调器运行，以便于确定特定工况条件下的能效指标最优时的运行参数，并根据对应的运行参数控制空调器运行。

上述方案中，所述空调器的不同工况包括：进风干球、进风湿球、室外干球、室外湿球的数值和设定温度；所述运行参数包括：压缩机频率、阀开度、内风机转速和外风机转速；所述能效参数包括：出风干球、出风湿球的温度和功率。

上述方案总，根据所述能效参数输出值确定能效指标包括：根据内风机转速n，额定转速N及额定风量V_m，根据如下公式(1)确定风量V：

根据如下公式(2)确定制冷量或制热量Q:

Q＝V(h_a-h_b)/v(1+W_n)； (2)

根据如下公式(3)确定能效指标：

其中，通过进风干球、进风湿球和出风干球、出风湿球，通过查找焓湿图得到出风焓值h_a和进风焓值h_b；W_n为空气湿度，通过出风干球和出风湿球确定；v为出风比容，v可以通过查找焓湿图确定；EER为能效比。

图2是根据另一示例性实施例示出的一种用于空调器的控制方法的流程示意图。如图2所示，根据获取的所述能效指标控制所述空调器运行包括：在步骤S152中，在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数。

上述方案中，在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数包括：在步骤S151中，通过for循环和if判断遍历查找现有工况条件的出风干球温度下的最高能效比对应的运行参数。

上述方案中，通过编程制定for循环，将各个工况条件下、各种运行参数对应的能效比进行if判断比较，将设定工况条件下的能效比最优的运行参数作为控制空调器运行的参数。

作为另一示例，在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数包括：将不同工况下对应的最佳能效比的空调运行参数编写为数据表格，根据工况选择最佳能效比对应的运行参数控制所述空调器运行。

上述方案中，将不同工况下对应的最佳能效比的空调运行参数编写为数据表格存储到空调器控制电路板中，在运行中，通过查找到现工况条件下的最优能效比对应的运行参数，根据工况选择最佳能效比参数运行，以实现能效比最佳控制。

如图3所示的神经网络，是以生物神经网络的结构和基本原理为基础，对其进行抽象和模拟而形成的一种计算模型。其中，应用最多、相对成熟的人工神经网络是BP神经网络。BP神经网络是一种多层前馈神经网络，该神经网络的主要特点是信号从前向后传递，而误差从后往前传递。输入信号从输入层从前向后传递，隐含层对信号进行处理，并传递给下一隐含层，直到传递至输出层为止。在传递过程中，下一层的神经元状态只受前一层神经元状态的影响。对输出层输出的信号进行判断，如果输出信号与期望值的误差不能达到设定误差，则误差转入反向传播，根据误差预测调整网络权值和阈值，并进行下一次计算，直到BP神经网络预测输出与实际值的误差达到期望误差。

上述方案中，以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型包括：根据如下公式对样本数据进行归一化：x′_i＝(x_i-x_min)/(x_max-x_min)；其中，x′_i为归一化后的数据；x_min为输入数据序列中的最小值；x_max为输入数据序列中的最大值。

训练神经网络时，将不同工况下空调运行参数对应的出风干球、出风湿球及功率的测试数据，其中90％的点作为数据训练样本，其余10％的点用于测试训练的神经网络的准确性，由于剩余的工况点未参与训练神经网络，如果训练得到的神经网络对这些点依然具有高精度的预测性，则说明神经网络具有较好的泛化能力。

训练神经网络前要对样本点进行归一化，取消输入输出数据数量级的差别，防止由于输入输出数据间数量级相差过大产生较大的预测误差，从而提高神经网络预测精度。输入数据归一化，是将所有数据都转化为(0，1)或者(-1，1)之间的数。本实施例中，训练采用最大最小法，根据公式x′_i＝(x_i-x_min)/(x_max-x_min)对数据归一化。

上述方案中，以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型还包括：进行初始化设置；计算隐含层输出值；计算输出层输出值；计算误差；更新权值；更新隐含层阈值c和输出层阈值d；判断误差。

隐含层的作用是实现从输入层节点到输出层节点的非线性映射，神经网络的非线性处理能力直接受隐含层和隐含层节点数量的影响。考虑到空调工作过程复杂，非线性强，训练样本点多，可以采用多隐含层的神经网络结构，更准确、更快速地逼近训练目标。例如可以根据每台空调的具体情况采用试凑法确定。

作为示例，进行初始化设置包括：设置输入层节点数量为9、输出层节点数量为3、连接权值ω_ij、ω_jk、隐含层阈值c、输出层阈值b，学习速率η和神经元激励函数f。

上述方案中，训练神经网络首先进行步骤(1)网络初始化，根据训练神经网络的输入数据(X,Y)确定输入层节点数l和输出层节点数n。由于影响出风干球和湿球变化的主要因素有空调压缩机频率、阀开度、内风机转速、外风机转速、室内干球、室内湿球、室外干球、室外湿球、设定温度等9个变量，因此输入层节点为9。出风干球、出风湿球及功率为输出变量，因此输出层节点数为3。设定温度对连接权值ω_ij、ω_jk以及隐含层阈值c、输出层阈值b初始化，并且给定合适的学习速率η和神经元激励函数f。

上述方案中，训练神经网络的步骤(2)为根据如下公式计算隐含层输出值H：

其中，X为输入变量；f为隐含层激励函数；m为隐含层节点数；

训练神经网络的步骤(3)为根据如下公式计算输出层输出值O：

其中，b_k为输出层阈值；

训练神经网络的步骤(4)为根据如下公式计算误差：e_k＝Y_k-O_k；其中，Y_k为神经网络的预测值；

训练神经网络的步骤(5)为根据如下公式更新神经网络连接权值ω_ij、ω_jk：

ω_jk＝ω_jk+ηH_je_k j＝1,2，……,m；k＝1,2，……，n；

训练神经网络的步骤(7)为根据如下公式更新隐含层阈值c和输出层阈值b：

b_k＝b_k+e_k k＝1,2，……，n。

训练神经网络的步骤(7)为判断误差是否满足要求，如果没有，返回第(2)步进行新的迭代。

图4是根据另一示例性实施例示出的一种用于空调器的控制方法的流程示意图。如图4所示的本发明另一示例性实施例的用于空调器的控制方法，还包括：在步骤S160中，获取所述空调器按照所述能效指标对应的运行参数运行的能效参数实际值及能效指标实际值；在步骤S170中，根据所述能效参数实际值及所述能效指标实际值调整所述空调器的运行参数。

上述方案中，根据所述能效参数实际值及所述能效指标实际值调整所述空调器的运行参数包括：调整与能效参数输出值相对应的运行参数中的压缩机频率和/或阀开度，调整所述压缩机频率的幅度为升频或降频1Hz，调整所述阀开度的幅度为打开或关闭10步。

上述方案中，空调器根据神经网络模型预测的运行参数，即根据能效参数输出值对应的运行参数进行运行，然后，根据出风干球、出风湿球及功率运用公式(1)-(3)可以计算得到能效比EER，与训练神经网络模型的过程类似；当在实际运行中，功率为实测值，根据如下公式计算实际功率，实际功率P＝UICOSφ，I为实测电流，COSφ为功率因数，一般取值范围为0.83～0.87，此处为计算方便取0.85。根据计算得到的能效比实际值，在与能效参数输出值/预测值所对应的空调器运行参数的基础上，对空调器的运行参数进行上下调整，空调器调整范围设定为与神经网络的能效输出值相对应的压缩机频率输出值/预测值升频或降频≤2Hz，即±2Hz，和/或，阀开关打开或关闭10步。

作为另一示例，内外风机转速影响较小，不做调整，仅调整压缩机频率和阀开度，调整方式按照如下表格进行，即调整压缩机频率升频或降频1Hz，和/或，阀开度打开或关闭10步，压缩机频率和阀开度可同时或分别进行调整。

作为示例，对压缩机频率和/或阀开度的调整周期为15-25分钟；设定每次调整的间隔时间为20分钟。

作为示例，还包括：在步骤S180中，将所述能效参数实际值、所述能效指标实际值以及相对应运行参数更新到空调器在不同工况下以不同运行参数运行时的能效参数中；包括：将所述能效参数实际值、所述能效指标实际值以及相对应运行参数保存；或者，将所述能效参数实际值、所述能效指标实际值以及相对应的运行参数更新现有的运行参数及相对应的能效参数。

作为另一示例，还包括：在步骤S190中，使用更新后的所述能效参数实际值、所述能效指标实际值以及相对应运行参数训练所述神经网络，更新所述神经网络模型。

上述方案中，神经网络模型预测的最优能效比下的空调运行参数，具有一定的预测误差，为实现更加精确的空调器最佳能效控制，本发明增加了负反馈环节，根据BP神经网络模型预测的运行参数得到的实际能效参数及相对应的实际能效比，然后空调器调整运行参数以达到能效比最佳；同时，将调整后最佳能效比对应的空调器运行参数保存或上传云平台，对训练数据进行更新，然后以原有的训练数据和调整后的数据为训练样本，重新训练神经网络模型，以更新现有的神经网络模型，提高神经网络预测准确性；神经网络模型在不断更新中，准确性不断提高；另外，将调整的数据存储在最优数据库中，空调器在进行调整前首先搜索最优数据库是否有空调器的运行工况，有则不进行调整，按照预测值运行，无则进行调整。形成一个动态更新，逐渐趋于真实值的神经网络模型和最佳能效比运行参数数据库。

本发明实施方式的用于空调器的控制方法，通过训练神经网络模型，基于输入的工况信息和运行参数预测能效比，在满足一定出风温度的前提下，寻找最优能效比下的空调器运行参数，以控制空调器运行，提高空调器的运行效率，并通过运行中的实际能效参数和能效指标调整运行参数和神经网络模型，使能效指标的确定更加准确并逐渐趋于最佳。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本文所披露的实施例中，应该理解到，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的对应或直接对应或通信连接可以是通过一些接口，装置或单元的间接对应或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

Claims (8)

1.一种用于空调器的控制方法，其特征在于，包括：

获取所述空调器在不同工况下以不同运行参数运行时的能效参数；

以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型；

将所述空调器在其他不同工况下的不同运行参数作为所述神经网络模型的输入量，以获取相对应的能效参数输出值；其中，所述空调器的不同工况包括：进风干球、进风湿球、室外干球和室外湿球的数值以及设定温度；所述运行参数包括：压缩机频率、阀开度、内风机转速和外风机转速；所述能效参数包括：出风干球、出风湿球和功率；

根据所述能效参数输出值确定能效指标；

根据获取的所述能效指标控制所述空调器运行；

获取所述空调器按照所述能效指标对应的运行参数运行的能效参数实际值及能效指标实际值；

根据所述能效参数实际值及所述能效指标实际值上下调整所述空调器的运行参数；

将调整的运行参数存储在最优数据库中，空调器在进行调整前首先搜索最优数据库是否有空调器的运行工况，有则不进行调整，按照预测值运行，无则进行调整；所述预测值为所述调整的运行参数；

根据获取的所述能效指标控制所述空调器运行，包括：在现有运行工况条件下满足出风干球温度的能效比最高的运行参数作为控制空调器运行的参数；

根据所述能效参数实际值及所述能效指标实际值上下调整所述空调器的运行参数，包括：上下调整与能效参数输出值相对应的运行参数中的压缩机频率和/或阀开度。

2.根据权利要求1所述的方法，其特征在于，其中，根据所述能效参数输出值确定能效指标包括：

根据如下公式确定风量V：

根据如下公式确定制冷量或制热量Q:Q＝V(h_a-h_b)/v(1+Wn)；

根据如下公式确定能效指标：

其中，n为内风机转速，N为额定转速，V_m为额定风量；

通过进风干球、进风湿球和出风干球、出风湿球，通过查找焓湿图得到出风焓值h_a和进风焓值h_b；

W_n为空气湿度，通过出风干球和出风湿球确定；

v为出风比容，v可以通过查找焓湿图确定；

EER为能效比。

3.根据权利要求1所述的方法，其特征在于，在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数包括：通过for循环和if判断遍历查找满足出风干球温度下的最高能效比对应的运行参数。

4.根据权利要求3所述的方法，其特征在于，在现有运行工况条件下满足出风干球温度的所述能效比最高的运行参数作为控制空调器运行的参数包括：将不同工况下对应的最佳能效比的空调运行参数编写为数据表格，根据工况选择最佳能效比对应的运行参数控制所述空调器运行。

5.根据权利要求1所述的方法，其特征在于，以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型包括：根据如下公式对样本数据进行归一化：x′_i＝(x_i-x_min)/(x_max-x_min)；

其中，x′_i为归一化后的数据；x_min为输入数据序列中的最小值；x_max为输入数据序列中的最大值。

6.根据权利要求5所述的方法，其特征在于，以所述空调器的不同工况、不同运行参数以及相应的能效参数训练神经网络，获取神经网络模型还包括：

进行初始化设置；

计算隐含层输出值；

计算输出层输出值；

计算误差；

更新权值；

更新隐含层阈值c和输出层阈值b；

判断误差。

7.根据权利要求6所述的方法，其特征在于，进行初始化设置包括：设置输入层节点数量为9、输出层节点数量为3、连接权值ω_ij、ω_jk、隐含层阈值c、输出层阈值b，学习速率η和神经元激励函数f。

8.根据权利要求7所述的方法，其特征在于，其中，根据如下公式计算隐含层输出值H：

其中，X为输入变量；f为隐含层激励函数；m为隐含层节点数；

根据如下公式计算输出层输出值O：

其中，b_k为输出层阈值；

根据如下公式计算误差：e_k＝Y_k-O_k；其中，Y_k为神经网络的预测值；

根据如下公式更新权值：

ω_jk＝ω_jk+ηH_je_k j＝1,2，……,m；k＝1,2，……，n；

根据如下公式更新隐含层阈值c和输出层阈值b：

b_k＝b_k+e_k k＝1,2，……，n。

Images