1.一种PSORBFD快速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因子作为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PSORBFD解耦控制器：采用PSO粒子群优化算法对RBFD解耦控制器进行改进，建立PSORBFD解耦控制器；

采用PSO粒子群优化算法对RBFD解耦控制器进行改进的具体流程包括：

1)粒子群参数初始化：

随机生成Np个粒子，构造粒子集Wp；

选取某一个输入X(k)的隐含层输出yhk(j)，j＝1...n作为粒子群算法的初始训练集；

当前迭代次数Times＝1；

2)计算所有粒子的适应度：

3)粒子数据更新：

采用最优原则更新个体极值Pbest(s)，个体极值适应度Fpbest(s)；

更新全局极值：Gbest＝min[Pbest(s),(s＝1...Np)]更新全局极值适应度：FGbest＝min[Fpbest(s),(s＝1...Np)]其中，所述Pbest(s)表示粒子Wp(s)迭代更新过程中适应度最小时的状态，Fpbest(s)表示粒子Wp(s)迭代过程中最小的适应度，Gbest表示Pbest(s)中适应度最小的粒子，FGbest表示Fpbest中的最小值；

4)更新每个粒子的速度、位置和迭代次数：Wp(s)＝Wp(s)+V(s)其中 为惯性因子，ξ1，ξ2为加速常数速度限幅：|V(s)|＜Vmax粒子更新：Wp(s)＝Wp(s)+V(s)其中，V(s)表示第s个粒子的移动速度，s＝1,2,3…Np，Wp(s)表示单个粒子，Vmax表示粒子最大速度阈值；

5)判断训练终止条件：

if(Times＞Mp||Gbest＜Jg)，算法结束，转到步骤6)；

else Times＝Times+1，返回步骤2)，重新训练粒子；

其中，Mp表示最大迭代更新次数，Jg表示误差阈值；

6)权值初值输出：

将获得全局极值粒子的位置进行归一化后，作为RBFD控制器训练的权值初始值