[发明专利]功能性电刺激PID参数双源特征融合微粒子群整定方法

权利要求书

1.一种功能性电刺激PID参数双源特征融合微粒子群整定方法，其特征是，包括下列步骤：

首先，利用助行过程的柄反作用矢量HRV预测膝关节角度；

其次，利用混沌微粒群算法整定比例微积分PID参数，实时调控FES电流水平强度，整定流程为：首先根据比例微积分PID参数的三个决策变量K_p、K_i和K_d取值范围的上下界，确定包括粒子群群体规模、搜索空间维数的参数，并初始化粒子群体的速度和位置，然后利用通过实际关节角度与肌肉模型输出关节角度的相应关系作为适度评价函数计算粒子群中每一个粒子的适应度值，相应关系是L＝M×HRV^-1，其中，M表示膝关节角度，HRV表示使用者施加在步行器上力的柄反作用矢量，L表示HRV与M之间的关系，采用偏最小二乘回归的方法确定肌肉模型输出关节角度，并将该粒子的适应度值与最佳位置适应度值作比较，且将该粒子的适应度值与该粒子本身的最佳位置作为粒子代表值，然后再调整粒子的速度及其他参数，改变粒子的最佳位置，直到稳定为止，计算最终最佳的位置即得比例微积分PID参数的三个决策变量K_p、K_i和K_d，在新的比例微积分PID参数下计算功能性电刺激FES系统输出yout及其与肌肉模型输出关节角度的偏差后再进入下一步混沌微粒群算法神经网络的自学习与当时PID参数的三个决策变量K_p、K_i和K_d的加权系数的自调整，反复此过程，最终实现比例微积分PID参数的自适应在线整定，并用于功能性电刺激FES系统。

2.根据权利要求1所述的一种功能性电刺激PID参数双源特征融合微粒子群整定方法，其特征是，肌肉模型输出关节角度是采用偏最小二乘回归的方法，即：

设有m个HRV变量HRV1，…，HRVm，p个M变量，M1，…，Mp，共i个观测值的数据集，i＝1，…，n；T、U分别为从HRV变量与M变量中提取的成分，称为偏最小二乘因子，从原始变量集中提取第一对成分T1、U1的线性组合为：

T₁＝ω₁₁HRV₁+…+ω_1mHRV_m＝ω′₁HRV    (4)

U₁＝v₁₁M₁+…+v_1pM_p＝v′₁M             (5)

其中ω₁＝(ω₁₁，…，ω_1m)′为模型效应权重，v₁＝(v₁₁，…，v_1p)′为M变量权重，将上述提取第一对成分的要求转化为求条件极值问题：

其中t1、u1为由样本求得的第一对成分的得分向量，HRV0、M0为初始变量，利用拉格朗日乘子法，上述问题转化为求单位向量ω₁和v₁，使θ₁＝ω′₁HRV′₀M′₀v₁′最大，即求矩阵HRV′₀M₀M′₀HRV₀的特征值和特征向量，其最大特征值为θ₁²，相应的单位特征向量就是所求的解ω₁，而v₁由公式得到；

其次建立初始变量对T1的方程 

其中t1意义同前，α′₁＝(α₁₁，…，α_1m)，β′₁＝(β₁₁，…，β_1p)为仅一个M变量t1时的参数向量，E1、F1分别为n×m和n×p残差阵，按照普通最小二乘法求得系数向量α₁和β₁，其中α₁称为模型效应载荷量；

如提取的第一对成分不能达到回归模型的精度，运用残差阵E1、F1代替HRV₀、M₀，重复提取成分，依次类推，假设最终提取了r个成分，HRV0、M0对r个成分的回归方程为：

把第一步分析所得HRV量中提取成分Tk(k＝1，…，r)线性组合带入M变量对r个成分建立的回归方程，即t_r＝ω_k1HRV₁+…+ω_kmHRV_m代入M_j＝t₁β_1j+…t_rβ_rj(j＝1，…，p)，即得标准化变量的回归方程M_j＝α_j1HRV₁+…+α_jmHRV_m；

最后根据公式L＝M×HRV^-1，即可求出L。

3.根据权利要求1所述的一种功能性电刺激PID参数双源特征融合微粒子群整定方法，其特征是，利用混沌微粒群算法整定PID参数，进一步细化为：

比例微积分PID采用比例单元P、积分单元I和微分单元D三部分组成，根据功能性电刺激系统的误差，通过设定的K_p、K_i和K_d三个参数对功能性电刺激系统进行控制：

其中K_p是比例系数，K_i是积分系数，K_d是微分系数，error为预设输出与实际输出的偏差，u(t)为PID的输出，同时又是受控系统的输入，由PID输出公式

可以得到

根据：

Δu(t)＝u(t)-u(t-1)

＝K_p(error(t)-error(t-1))+K_ierror(t)+K_d(error(t)-2error(t-1)+error(t-2))……………………………………………………………(11)

有：

u(t)＝Δu(t)+u(t-1)＝

u(t-1)+K_p(error(t)-error(t-1))+K_ierror(t)+K_d(error(t)-2error(t-1)+error(t-2)) 

………………(12)

采用混沌微粒群算法进行比例微积分PID控制参数的自适应优化，选择搜索空间为3维，即分别为PID控制器的三参数，选取群体规模m＝20，群体的初始速度和位置在一定的空间范围内随机产生，分别表示为：v_i＝(v_i1，v_i2，v_i3)，x_i＝(x_i1，x_i2，x_i3)，记第i个粒子迄今搜索到最优位置为p_i＝(p_i1，p_i2，p_i3)，整个粒子群迄今为止搜索到得最优位置为p_gi＝(p_gi1，p_gi2，p_gi3)，其中，i＝1，2，…，20，粒子群优化算法采用以下公式对粒子群操作，v_id←v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gid-x_id)+c₃r₃(q_id-x_id)       (13)

x_id←x_id+v_id     (14)

其中，学习因子c₁、c₂和c₃是非负数，取值为0.5；r₁、r₂和r₃是介于[0，1]之间的随机数，q_id是随机选取粒子的位置，d表示离子的编码方法，d＝10；

实现的具体步骤为：

1、确定参数：学习因子c₁、c₂和c₃，和群体的规模N，进化次数以及混沌寻优次数；

2、随机产生N个粒子进行操作；

3、按公式(13)和(14)对粒子进行操作；

4、对最优位置p_gi＝(p_gi1，p_gi2，p_gi3)进行混沌优化，将p_gid映射到Logistic方程z_i+1＝μz_i(1-z_i)，z_i+1为混沌变量的值，其定义域为[0，1]，μ为Logistic控制参数，控制混沌状态； 然后，用Logistic方程进行迭代产生混沌变量 m＝1，2，……，再把产生的混沌变量序列 通过逆映射 返回到原解空间，得 a_id表示PID参数中每个最小的参数，b_id表示PID参数中每个最大的参数；

在原解空间对混沌变量经历的每一个可行解 计算其适应值，保留性能最好的可行解p^*；

5、随机从当前群体中选出的一个粒子用p^*取代；

6、若达到最大迭代次数或者得到满意解，则优化过程结束，否则返回步骤3。