[发明专利]一种基于神经网络的双容系统辨识方法

权利要求书

1.一种基于神经网络的双容系统辨识方法，其特征在于，所述神经网络模型采用LSTM模型；将双容系统的输入和当前的状态作为神经网络的输入值，神经网络的输出值为系统的预测输出值，将系统的预测输出值和双容系统的真实值进行比较，利用反向误差传播算法，调整神经网络模型的权值，使得神经模型达到系统要求的辨识精度；具体包括以下步骤：采用y(k+1)＝f[y(k),...,y(k-m+1)；u(k),...,u(k-n+1)]来表示双容系统，其中，u()为加到伺服阀上的控制量，y()为液位高度，辨识采用串-并联结构，将被控对象的输入输出数据作为神经网络的输入，利用学习算法不断减小神经网络模型输出与被控对象输出的差值，最终实现对系统的逼近；液位模型输入和输出之间的非线性关系表示为y(k)＝f(y(k-1),u(k-1))，采用输入和输出的一阶延时{y(k-1),u(k-1)}作为网络输入，其中u(k-1)为系统控制量，y(k-1)为液位实际采样值；预处理模型辨识前数据；训练神经网络模型：-0.1—0.1之间的一个随机数对权值进行初始化；输入训练采样；计算误差；使用反向传播算法进行训练，修正权值和阈值；重新计算误差，若达到系统的要求，则停止训练并保存模型，否则重复训练步骤。

2.根据权利要求1所述的基于神经网络的双容系统辨识方法，其特征在于，所述LSTM模型用两个门来控制单元状态的内容，一个是遗忘门，其决定了上一时刻的单元状态有多少保留到当前时刻；另一个是输入门，其决定了当前时刻网络的输入有多少保存到单元状态；所述LSTM模型用输出门来控制单元状态有多少输出到LSTM模型的当前输出值。

3.根据权利要求1所述的基于神经网络的双容系统辨识方法，其特征在于，所述预处理模型辨识前数据包括去除趋势项、数据滤波和数据归一化。