[发明专利]一种小微智能传感器网络拥塞辨识模型的建立方法

权利要求书

1.一种小微智能传感器网络拥塞辨识模型的建立方法，其特征在于：包括以下步骤：

S1、利用Koopman算子理论分析建立小微智能传感器网络系统数据集；

S2、选取基函数对数据集进行升维，将原系统升维到一个高维的可观测函数空间；

S3、建立小微智能传感器网络Koopman高维线性模型；

S4、利用得到的升维数据集求取Koopman算子有限维逼近，并利用神经网络进行训练，得到最终高维线性模型；

所述利用Koopman算子理论分析建立小微智能传感器网络系统数据集，包括：

利用能够激发小微智能传感器网络特性的控制输入进行输入输出数据的采集，利用产生的输出数据与控制输入数据建立数据集：

其中，U为输入序列，X为当前状态序列，Y为下一状态序列，n表示每次控制的总采样次数，k表示收集k组数据，即以k种不同的初始状态在k个不同随意输入序列下进行开环控制，p为分组丢弃概率，

为当前状态，w为窗口大小，q为队列长度，x_n为下一状态值；

所述选取基函数对数据集进行升维，包括以下步骤：

S21、定义一组基函数

S22、选取一个简单的神经网络作为基函数的逼近器，形式设置为：

h＝tanh(W_x+b)； (1)

其中，W∈R16×2，W_out∈R40×16，b∈R16×1，b_out∈R40×1，需要训练的参数集为θ＝{W，b，W_out，b_out}；

S23、将数据集带入神经网络进行升维，得到升维后的数据集X_lift、Y_lift；

所述建立小微智能传感器网络Koopman高维线性模型，包括：

基于Koopman算子理论和扩展动力学模态分解算法结合，将小微智能传感器网络表示为高维线性模型；

z(k+1)＝A_Z(k)+BU(k)，

其中，z为升维后的状态，表示基于Koopman算子理论得到的原始空间的状态，A∈RM×N，B∈RN×1，C∈R2×N为线性定常矩阵，N为升维后状态维数，式(2)为全局线性化模型；

所述利用得到的升维数据集求取Koopman算子有限维逼近，并利用神经网络进行训练，得到最终高维线性模型，包括：

利用得到的升维数据集X_lift、Y_lift，通过扩展动力学模态分解算法求取Koopman算子有限维逼近，即求解如下最小化问题得到高维线性模型中的矩阵A、B、C：

求解最小值的解析式为：

[A，B]＝Y_lift[X_lift，U]^↑，

通过式(1)和式(4)得到高维线性模型(2)的初步解析，为得到与真实模型更加接近的模型，利用神经网络自动训练的能力，将得到的矩阵A、B、C和神经网络参数集进行训练，定义的损失函数表示为；

将式(1)、(4)和损失函数(5)通过神经网络不断训练，直到与真实数据集状态误差减少到0.0001以下，停止训练，得到最终高维线性模型。