[发明专利]磁悬浮系统的RNN-ARX建模方法、RNN-ARX模型有效
申请号: | 202010300121.3 | 申请日: | 2020-04-16 |
公开(公告)号: | CN111460738B | 公开(公告)日: | 2023-06-16 |
发明(设计)人: | 彭辉;张丁匀;童立;吴锐 | 申请(专利权)人: | 中南大学 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06N3/044;G06N3/048;G06N3/084;G06N3/09 |
代理公司: | 长沙正奇专利事务所有限责任公司 43113 | 代理人: | 马强;王娟 |
地址: | 410083 湖南*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 磁悬浮 系统 rnn arx 建模 方法 模型 | ||
1.一种磁悬浮系统的RNN-ARX建模方法,其特征在于,包括以下步骤:
1)采集各时刻磁悬浮球系统的输入数据和对应的输出数据;
2)利用上述输入数据和输出数据建立RNN-ARX模型;其中,RNN-ARX模型的表达式如下:
其中,xt=[yt-1,yt-2,…,yt-z]T,yt-1,yt-2,…,yt-z分别为t-1、t-2、……、t-z时刻磁悬浮球系统的实际输出,z为状态向量的维度;φ0(xt)、φy,i(xt)和φu,j(xt)是依赖于工作点状态的函数型系数;ξt为高斯白噪声信号;ny、nu分别为输出向量的阶次和输入向量的阶次;yt-i为t-i时刻磁悬浮球系统的实际输出,yt为t时刻磁悬浮球系统的预测输出;ut-j为t-j时刻的输入;
所述RNN-ARX模型包括:
输入层,输入数据为磁悬浮球系统的RNN的输入xt和ARX的输入at;
其中,
中间层,包括m个依次连接的RNN层;每个所述RNN层包括依次连接的输入层、隐藏层和输出层,其中第k个RNN层的输入即为第k-1个RNN层的输出;第k个RNN层t时刻的输入第k个RNN层t时刻隐藏层状态的表达式为:其中,为第k个RNN层的输入层到隐藏层的权重系数;为第k个RNN层的隐藏层到隐藏层的权重系数;为第k个RNN层的偏移量;f(·)为激活函数;
输出层,为全连接层,t时刻该输出层的输入为即第m个RNN层的输出;t时刻的预测输出yt=atot,ot=[φ0(xt)φy,i(xt)φu,j(xt)]T=g(vt);为中间层到输出层的权重矩阵,权重矩阵形状为nm*(ny+nu+1),nm为第m个RNN层的神经网络节点个数;by为偏移量矩阵,偏移量矩阵形状为1*(ny+nu+1);g(·)为激活函数;
3)对所述RNN-ARX模型进行前向运算,得到预测输出,以所述预测输出和期望输出的损失函数最小化为目标,优化所述RNN-ARX模型的参数,得到最优参数;
4)根据所述最优参数计算出所述RNN-ARX模型的预测输出和损失函数值;
5)重复步骤1)~4),选择当损失函数值为最小情况下的输入向量阶次、输出向量阶次作为磁悬浮球系统的RNN-ARX模型的当前输入向量阶次、输出向量阶次,分别调整RNN循环神经网络的层数和每层的神经元个数,比较在当前输入向量阶次、输出向量阶次下不同RNN结构的损失函数大小,并选取损失函数值为最小情况下的模型结构作为当前结构。
2.根据权利要求1所述的磁悬浮系统的RNN-ARX建模方法,其特征在于,步骤5)之后,还包括:
6)重复上述步骤1)~5),比较不同输入向量阶次、输出向量阶次下不同结构的损失函数,并选取最小损失函数值对应的RNN-ARX模型参数,将该对应的RNN-ARX模型作为最后的磁悬浮球系统的RNN-ARX模型。
3.根据权利要求1或2所述的磁悬浮系统的RNN-ARX建模方法,其特征在于,步骤1)中,将采集的数据分成训练集和测试集;对于所述训练集,执行步骤2)~步骤6)的操作,得到第一损失函数值;将所述测试集输入最后的磁悬浮球系统的RNN-ARX模型中,得到第二损失函数值;判断所述第一损失函数值和第二损失函数值是否均小于设定值,若是,则所述最后的磁悬浮球系统的RNN-ARX模型合格。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南大学,未经中南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010300121.3/1.html,转载请声明来源钻瓜专利网。