[发明专利]一种基于深度信念网络的混沌追踪控制方法

说明书

技术领域

本发明涉及一种混沌追踪控制方法，特别涉及一种基于深度信念网络的超混沌追踪控制方法。

背景技术

混沌现象是指在确定系统中出现的一种貌似无规律、类似随机的现象，是自然界普遍存在的复杂运动形式。但在通常情况下，混沌或许是一种不良现象，它可能导致振荡或不规则操作，导致系统完全崩溃，因此混沌控制就成了混沌应用的关键。常见的控制方法有OGY方法、线性和非线性反馈方法、自适应方法，但是这些方法都存在一定的问题，如进行混沌控制时系统数学模型必须已知，对于高维系统控制效果不佳。

发明内容

为了解决传统混沌控制方法存在的技术问题，本发明提供了一种基于深度信念网络的混沌追踪控制方法。

本发明解决上述技术问题的技术方案是：

选取样本数据采样时间，采用四阶龙格-库塔法获取混沌系统样本数据；

将训练数据送进深度信念网络，训练第一个受限玻尔兹曼机；

固定好第一个受限玻尔兹曼机的权重和偏移量，然后使用其隐性神经元的状态，作为第二个受限玻尔兹曼机的输入向量，训练好第二个受限玻尔兹曼机；

计算实际输出和理论输出的误差，采用梯度下降法进行优化，将输出的拟合函数和追踪参考信号组合成一个控制器对混沌系统进行控制。

本发明的技术效果在于：本发明消除了进行混沌控制时系统数学模型必须已知的局限性，可以对任意信号进行追踪，同时也适用于高维的混沌系统。

附图说明

图1是本发明中深度信念网络的模型结构。

图2是本发明中控制方法的结构图。

具体实施方式

下面结合附图，对本发明作进一步的详细说明。

如图1所示，经典深度信念网络结构是由若干层受限波尔茨曼机和一层 BP 组成的一种深层神经网络。一个受限波尔茨曼机只有两层神经元，一层叫做显层，由显元组成，用于输入训练数据；另一层叫做隐层，由隐元组成，用作特征检测器。受限波尔茨曼机显层和隐层内部的神经元都没有互连，只有层间的神经元有对称的连接线。

其中,代表显层，代表第一二三层的隐层。每个隐元的激励值为：

（1）

式中，，， 代表从第 个显元到第个隐元的权重，代表显元的个数，代表隐元的个数，为附给显层的输入数据。

如图2所示，本发明的控制过程如下：

初始化参考：参考信号 、超混沌系统的样本数据总量m，神经元层数n以及神经元数量N，每一次训练送入的数据数量M，训练DBN的迭代次数P，训练DBN中每一个RBM的迭代次数 。

获取训练和测试样本 .

训练DBN中第一个RBM，将训练数据符给显层 ，计算它使隐层神经元被开启的概率

（2）

其中上标用于区分不同向量，下标j代表维度。

从计算出的概率分布中抽取一个样本

（3）

用 重构显层，同时抽取显层的一个样本

再次用重构之后的显层神经元计算出隐层神经元被开启的概率

(4)

更新权重W, b, c

(5)

训练好第一个RBM后，固定好第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量

重复训练好第二个RBM，并计算第二个RBM的输出 。

计算输出误差MSE

（6）

用梯度下降法对误差函数进行优化，在反向传播回每一层进行参数微调。

输出总拟合函数，并将其与跟踪参考信号组合成一个控制器对混沌系统进行控制。