[0030] 下面结合附图对本发明进行详细的介绍。
[0031] 实施方式1：
[0032] 本实施方式提供了一种喷气控制系统，如图1至4所示，主要由物体传送装置、喷气装置和扫描装置组成。物体传送装置用于将待扫描物体传输到扫描区域内，喷气装置用于将待扫描物体吹平，扫描装置用于对待扫描物体进行扫描。
[0033] 物体传送装置中，输送导轨41水平固定在机架10上，透明放置板42与输送导轨41可动连接，设置在机架10上的放置板驱动机构用于驱动透明放置板42沿输送导轨41水平移入或移出扫描区域；放置板驱动机构中，第一电机45固定在机架10上，齿轮44的转轴固定在第一电机45的输出轴上，齿条43的一侧与透明放置板42固定，另一侧与齿轮44啮合。
[0034] 喷气装置包括单片机控制器、喷气箱22以及通过安装有电磁阀的喷气管23与喷气箱 22的底部连通的喷气壳21，喷气管23上安装有气体流量传感器(优选型号为HHF‑SD1)。单片机控制器通过调节电磁阀的开度以控制喷气箱22内的气体经喷气管23从喷气壳21的喷气孔喷出，单片机控制器通过调节电磁阀的开度来确保气体流量传感器检测到喷气管23 的气体流量达到设定值。喷气箱22固定在机架10上喷气壳21底面和侧面均具有若干喷气孔，喷气壳21的底面与透明放置板42平行设置且位于扫描区域的上方；喷气壳21侧面的若干喷气孔与水平面呈45°夹角。
[0035] 扫描装置中，上置扫描探头11和下置扫描探头12分别安装在机架10上、扫描区域的上方和下方，且上置扫描探头11位于透明放置板42上方，下置扫描探头12位于透明放置板42的下方，透明放置板42进入到扫描区域后，上置扫描探头11和下置扫描探头12分别位于透明放置板42的上下方。
[0036] 在机架10上，位于上置扫描探头11与透明放置板42之间还安装有扫描渲染灯。
[0037] 本实施方式中的喷气控制系统的工作原理如下：
[0038] 用户将待扫描纸张置于物体传送装置上的透明放置板42上之后，第一电机45带动齿轮44正转，通过齿轮44和齿条43啮合传动透明放置板42沿输送导轨41进入扫描区域，进入到扫描区域内后，透明放置板42上的待扫描纸张刚好位于喷气装置中喷气壳21的正下方，同时也位于上置扫描探头11的下方，第一电机45停止正转。
[0039] 然后单片机控制器控制电磁阀的开度增大，喷气箱22内的气体经喷气管23进入喷气壳21后，经喷气壳21底面和侧面的若干喷气孔喷出，接着扫描装置中的上置扫描探头11 和下置扫描探头12开始对待扫描纸张的正反面进行非接触式扫描；当气体流量传感器检测到的经过喷气管23的气体流量达到设定值后，控制电磁阀开度减小，喷气装置停止喷气，上置扫描探头11和下置扫描探头12停止扫描。第一电机45带动齿轮44反转，通过齿轮 44和齿条43啮合传动透明放置板42沿输送导轨41移出扫描区域，第一电机45停止反转。扫描完毕，取走扫描完成的纸张即可进行下一个扫描。
[0040] 针对老旧或褶皱纸张，在扫描过程中可以打开扫描渲染灯13，以调节不同亮度和光线位置,使得老旧和褶皱等问题被淡化，使得扫描达到更好的效果。
[0041] 本扫描设备能够实现非接触式扫描，物体传送装置能够实现对不同规格以及不规则形状的物体进行自动扫描，用户只需将待扫描物体放到透明放置板上即可。喷气装置能够在扫描时将待扫描的物体吹平，使待扫描物体完全平铺在下方的透明放置板上，并吹走待扫描物体上的纸屑等杂物，实现非接触扫描的同时，提高了扫描的完整度、均匀度和清晰度。
[0042] 上述单片机控制器包括STM32单片机和STM32单片机中的智能控制器，其中智能控制器包括2个NARX神经网络模型、3个LSTM神经网络模型、动态递归小波神经网络控制器、经验模态分解EMD模型、多个ESN神经网络模型；STM32单片机、喷气箱、电磁阀、喷气管、喷气壳和气体流量传感器组成气体流量调节平台，STM32单片机中的智能控制器实现对气体流量进行智能化调节；气体流量调节平台和智能控制器见图5所示。
[0043] 上述单片机控制器的具体设计思路如下：
[0044] 1、动态递归小波神经网络控制器设计
[0045] LSTM神经网络模型1输出作为动态递归小波神经网络控制器输入，动态递归小波神经网络控制器输出值和NARX神经网络模型1输出值的和作为LSTM神经网络模型3的输入； LSTM神经网络模型1输出的当前值、LSTM神经网络模型1输出的前一时刻值和LSTM神经网络模型1输出的前二时刻值值作为动态递归小波神经网络控制器的3个输入，动态递归小波神经网络控制器输出值作为气体流量控制值；3个连续的LSTM神经网络模型1输出值作为动态递归小波神经网络控制器的输入，动态递归小波神经网络控制器输出值作为气体流量控制值；小波神经网络WNN(Wavelet Neural Networks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设动态递归小波神经网络控制器的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，动态递归小波神经网络控制器输出值的计算公式为：
[0046]
[0047] 公式中ωij输入层i节点和隐含层j节点间的连接权值， 为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利的动态递归小波神经网络控制器与普通静态小波神经网络的区别在于动态递归小波神经网络控制器具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能，从而增强对气体流量值演化轨迹控制的跟踪精度以确保更好的控制精度；第一关联层节点用来存储隐含层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络控制器输出的气体流量值的动态处理能力，两个关联层都属于动态递归小波神经网络控制器内部的状态反馈，形成动态递归小波神经网络控制器的递归性所特有的动态记忆性能，提高动态递归小波神经网络控制器控制气体流量的准确性和动态性能；在动态递归小波神经网络控制器的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络控制器控制气体流量值的动态逼近能力和提高预测气体流量值的精度。本专利中的动态递归小波神经网络控制器的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使动态递归小波神经网络输出不断逼近期望输出。
[0048] 2、NARX神经网络模型设计
[0049] LSTM神经网络模型1输出分别为动态递归小波神经网络控制器输入和NARX神经网络模型1的对应输入，LSTM神经网络模型3的输出分别作为调节电磁阀开度控制值和NARX神经网络模型1的对应输入，检测喷气管流量的气体流量传感器输出一段时间气体流量值作为 LSTM神经网络模型2的输入，LSTM神经网络模型2输出分别作为经验模态分解EMD模型的输入和NARX神经网络模型1对应的输入，动态递归小波神经网络控制器输出值和NARX神经网络模型1输出值的和作为LSTM神经网络模型3的输入；多个ESN神经网络模型输出作为NARX神经网络模型2的输入，NARX神经网络模型2输出值作为气体流量反馈值，气体流量给定值和NARX神经网络模型2输出值的误差和误差变化率作为LSTM神经网络模型1的输入。NARX神经网络模型(Nonlinear Auto‑Regression with External input neural network) 是一种动态的前馈神经网络，NARX神经网络模型是一个有着外部输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络模型的回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的NARX神经网络模型主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络模型的当时输出不仅取决于过去的输出y(t‑n)，还取决于当时的输入预测向量X(t)以及输入预测向量的延迟阶数等，其中输入信号通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对非线性变化参数进行预测。x(t)表示NARX神经网络模型的外部输入，m表示外部输入的延迟阶数；y(t)是NARX神经网络模型的输出，n是输出延迟阶数；s为隐含层神经元的个数；可以得到第j个隐含单元的输出为：
[0050]
[0051] 上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，网络的输出y(t+1)的值为：
[0052] y(t+1)＝f[y(t),y(t‑1),…,y(t‑n),x(t),x(t‑1),…,x(t‑m+1)；W] (3)[0053] 3、LSTM神经网络模型设计
[0054] LSTM神经网络模型1输出分别为动态递归小波神经网络控制器输入和NARX神经网络模型1 的对应输入，动态递归小波神经网络控制器输出值和NARX神经网络模型1输出值的和作为 LSTM神经网络模型3的输入，LSTM神经网络模型3的输出分别作为调节电磁阀开度控制值和NARX神经网络模型1的对应输入，检测喷气管流量的气体流量传感器输出一段时间气体流量值作为LSTM神经网络模型2的输入，LSTM神经网络模型2输出分别作为经验模态分解EMD模型的输入和NARX神经网络模型1对应的输入。LSTM神经网络模型由长短期记忆 (LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络，通常也被称为LSTM网络。LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门 (Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate) 和忘记门(Forget Gate)组成。单元负责在任意时间间隔内记住值，三个门均可以被认为是传统的人工神经元，用于计算激活函数的加权总和。LSTM神经网络模型是可以持续较长时间短期记忆的模型，适合用于预测时间序列等工作，LSTM有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中，增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的信息，并增加了三种门(Input、 Forget、Output)结构来控制历史信息的使用。设输入LSTM神经网络模型的数序列为 (x1,x2,…xT)，隐含层状态为(h1,h2,…hT)，则t时刻有：
[0055] it＝sigmoid(Whiht‑1+WxiXt) (4)
[0056] ft＝sigmoid(Whfht‑1+WhfXt) (5)
[0057] ct＝ft⊙ct‑1+it⊙tanh(Whcht‑1+WxcXt) (6)
[0058] ot＝sigmoid(Whoht‑1+WhcXt+Wcoct) (7)
[0059] ht＝ot⊙tanh(ct) (8)
[0060] 其中it、ft、ot代表input门、forget门和output门，Ct代表cell单元，Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的时间递归神经网络模型来对气体流量进行预测与控制，该方法首先建立LSTM时间递归神经网络模型，利用气体流量值数据建立训练集并对模型进行训练，LSTM神经网络模型考虑了气体流量传感器输出数据的时序性和非线性，提高了气体流量值的预测精确度。
[0061] 4、经验模态分解EMD模型设计
[0062] 检测喷气管流量的气体流量传感器输出一段时间气体流量值作为LSTM神经网络模型2 的输入，LSTM神经网络模型2输出分别作为经验模态分解EMD模型的输入和NARX神经网络模型1对应的输入，经验模态分解EMD模型输出LSTM神经网络模型2的低频趋势部分和多个高频波动部分分别作为多个ESN神经网络模型的输入；经验模态分解(EMD)模型是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于气体流量信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了气体流量信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取气体流量值信息。IMF分量必须同时满足两个条件：①在待分解气体流量信号中，极值点的数目与过零点的数目相等，或最多相差一个；在任一时间上，由局部极大值和局部极小值定义的包络均值为零。经验模态分解方法针对LSTM神经网络模型输出值2信号的“筛分”过程步骤如下：
[0063] (1)确定LSTM神经网络模型2输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
[0064] (2)在用三次样条线将LSTM神经网络模型2输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。
[0065] (3)上、下包络线的平均值记为m1(t)，求出：
[0066] x(t)‑m1(t)＝h1(t) (9)
[0067] x(t)为LSTM神经网络模型2输出值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。
[0068] (4)将c1(t)从x(t)中分离出来，得到：
[0069] r1(t)＝x(t)‑c1(t) (10)
[0070] 将r1(t)作为原始数据重复步骤(1)‑步骤(3)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样就可以把LSTM神经网络模型输出值分解为气体流量的低频趋势部分和多个高频波动部分。
[0071] 5、ESN神经网络模型设计
[0072] 检测喷气管流量的气体流量传感器输出一段时间气体流量值作为LSTM神经网络模型2 的输入，LSTM神经网络模型2输出分别作为经验模态分解EMD模型的输入和NARX神经网络模型1对应的输入，经验模态分解EMD模型输出LSTM神经网络模型2的低频趋势部分和多个高频波动部分分别作为多个ESN神经网络模型的输入，多个ESN神经网络模型输出作为NARX神经网络模型2的输入，NARX神经网络模型2输出值作为气体流量反馈值，气体流量给定值和NARX神经网络模型2输出值的误差和误差变化率作为LSTM神经网络模型1 的输入。ESN神经网络模型(Echo state network，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:
[0073]
[0074] 式中W为神经网络的状态变量，Win为ESN神经网络模型的输入变量；Wback为ESN 神经网络模型的输出状态变量连接权矩阵；x(n)表示ESN神经网络模型的内部状态；Wout为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵；为ESN神经网络模型的输出偏差或可以代表噪声；f＝f[f1,f2,…,fn]为“储备池”内部神经元的n个激活函数；fi为双曲正切函数；fout为ESN神经网络模型的ε个输出函数。
[0075] 上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
