[发明专利]具有对象年龄特征膜计算的桥式吊车神经网络建模方法

权利要求书

1.一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于包括如下步骤：

步骤1：获得桥式吊车系统水平方向的控制输入与输出采样数据作为样本数据，其中输入采样数据为吊车的水平控制力F，输出采样数据为水平方向的位置x和摆角θ；

步骤2：建立桥式吊车2个RBF神经网络非线性模型，分别为位置RBF神经网络模型和摆角RBF神经网络模型，两个RBF神经网络模型均采用输入层-隐含层-输出层的3层结构；

设定位置RBF神经网络模型输入变量个数为P_in,输入向量为[x(t-1),x(t-2),...,x(t-m₁),F(t-1),F(t-2),...,F(t-n₁)]，其中m₁+n₁＝P_in，输出变量数为P_out＝1，t为采样时刻；x(t)为t时刻的输出向量，即t时刻的水平方向的位置；F(t)为采样获得的t时刻吊车水平控制力，神经网络隐层结点数为P_l，径向基函数为高斯函数；

设定摆角RBF神经网络模型输入变量个数为A_in,输入向量为[θ(t-1),θ(t-2),...,θ(t-m₂),F(t-1),F(t-2),...,F(t-n₂)]，其中m₂+n₂＝A_in，输出变量数为A_out＝1，t为采样时刻；θ(t)为t时刻的输出向量，即t时刻的摆角；神经网络隐层结点数为A_l，径向基函数为高斯函数；

步骤3：将采样得到的样本数据全部归一化到-1到1之间：

其中，x_ij为归一化前第i个样本的第j个分量，x_i′_j为归一化后第i个样本的第j个分量，max_j和min_j分别为样本数据中第j个分量的最大值和最小值；

步骤4：将归一化后的数据输入到步骤2建立的位置RBF神经网络模型和摆角RBF神经网络模型中，其中的一部分数据作为训练样本，另一部分作为测试样本；

分别针对位置RBF神经网络模型和摆角RBF神经网络模型，在N组采样数据中随机选取m组采样数据作为训练样本；每组采样数据有P_in+1和A_in+1个变量，前P_in和A_in个作为RBF神经网络模型输入，最后一个作为神经网络的模型参考输出；

步骤5：在具有对象年龄特征膜计算的桥式吊车神经网络建模方法中，设置具有对象年龄特征膜计算优化方法的规则，包括改写规则、转位规则、粘贴规则、交流规则及衰老规则；

步骤6：将位置RBF神经网络模型的输出与实际采样输出数据的差值平方和作为算法寻优的目标函数，通过最小化目标函数，得到位置RBF神经网络模型中未知参数的估计值，将估计值代入位置RBF神经网络，形成桥式吊车位置RBF神经网络模型，用于估计吊车在水平方向的位置；按相同方法形成桥式吊车摆角RBF神经网络模型，用于估计摆角。

2.根据权利要求1所述的具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于所述样本数据通过实验获得。

3.根据权利要求1所述的具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于，步骤4中随机选取的训练样本数m满足：