1.一种改进FSRBFD的自适应解耦控制方法，其特征在于，包括如下步骤：S1、系统建模：根据控制量与输出量之间的关系，确定系统的传递函数矩阵模型；所述系统建模具体为：

以每个通道厚度作为测量值，加热螺栓温度作为控制量，构成一个三输入三输出的控制系统，设系统控制量为(u1，u2，u3)，输出量为(y1，y2，y3)，其中，每个输出量yi同时受到多个控制量ui的影响，从而确定三通道厚度系统的传递函数矩阵模型，如下：S2、建立RBFD解耦控制器：所述RBFD解耦控制器包括输入层、隐含层和输出层，RBFD解耦控制器的解耦控制过程包括RBF初始化、RBF聚类、RBF模型训练和RBF测试；

所述RBF初始化是对系统数据初始化，所述系统数据包括：输入样本X(k)，隐含层Rj聚类数量，数据中心点Cj，扩展常数σj和隐含层Rj对输出层i的权值wji；然后提取M条运行数据作为RBF网络的训练集，将所有耦合影响的相关自变量作为RBF网络的系统输入，表述为：所述RBF聚类具体包括如下：

1)聚类初始化：

将数据集的所有数据X(k)，k＝1...M，随机分为n个聚类Rj，j＝1...n；

得到各个Rj的中心点Cj＝avg[X(j)]，X(j)∈Rj；

2)聚类更新：

重新计算各Rj的新中心点Cj＝avg[X(j)]，X(j)∈Rj；

3)终止判断条件：

if(Cj(T+1)≠Cj(T))，T为聚类迭代次数，则重新执行步骤2)聚类更新；

else聚类结束，转到步骤4)；

4)聚类结果输出：

*

得到各聚类Rj的初始中心点Cj；

扩展常数

所述RBF模型训练采用梯度下降法，通过最小化目标函数Ei，i＝1,2,3实现对各隐含层节点Rj，j＝1...n的数据中心点Cj、扩展常数σj和输出权值wji的自适应调节，具体包括：

1)权值随机初始化：

2)训练数据集：

for k＝1 to M

计算Rj输出：

计算所有输出层输出：

计算输出层误差：ei(k)＝0‑ymi(k)，i＝1,2,3                        (12)计算输出层目标函数：

采用梯度下降法对调节量ΔCj，Δσj，Δwij进行累加：end for

参数调整：Cj(t)＝Cj(t‑1)+ΔCj(k)  (17)σj(t)＝σj(t‑1)+Δσj(k)  (18)wji(t)＝wji(t‑1)+Δwji(k)  (19)输出层的目标函数均值化：

3)终止条件判断

if(Ji

else t＝t+1，并重新执行步骤2)，训练数据集；

4)训练结束

得到各Rj最终的中心点 权值 扩展常数所述RBF测试是将测试集的新数据代入RBF模型，根据各Rj最终的中心点 和扩展常数得到隐含层的输出yhj(k)：进而根据各个聚类的权值 得到系统三通道输出：S3、建立FSRBFD解耦控制器：采用附加动量项、自适应学习率和附加微分项的方法对RBFD解耦控制器进行改进，建立自适应学习率的解耦控制器FSRBFD；

采用附加动量项方法对RBFD解耦控制器的RBF训练模块的训练数据集子模块上进行改进，具体如下：

以中心点Cj为例，令式(14)中Cj的梯度为g(t)：则为数据中心Cj附加动量项后，可表述为：式中，α代表遗忘因子，αΔCj(t‑1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用；

通过自适应学习率方法对附加动量项后的固定学习率 进行自适应调整，具体如下：η(t)＝δ(t)η(t‑1)                                    (25)上式中，δ(t)为第t次迭代时的自适应学习率因子，δ(t)定义为：λ

δ(t)＝2                                         (26)其中λ为梯度方向，表达形式为：λ＝sign(g(t)g(t‑1))                                (27)结合上面附加动量项和自适应学习率的方法，由式(24)、(25)可得：ΔCj(t)＝αΔCj(t‑1)+δ(t)η(t‑1)g(t)                       (28)根据式(28)对数据中心Cj依据下式计算：同理，对输出权值wji依据下式计算：对扩展常数σj依据下式计算：对公式(13)中定义的目标函数加入误差微分项，对输出设定值进行线性逼近的反向优化，θ为微分加权因子，增加微分项后的目标函数为：同时对式(31)、(34)、(37)的梯度函数g(t)加入微分项，可得：其中，β、μ为动量因子。