[发明专利]基于超前环节逼近sα

说明书

本发明公开了基于超前环节逼近s^α的神经网络建模方法及建模系统，该方法包括：步骤1：对分数阶算子s^α进行有理逼近，获得级联无源超前逼近模型；步骤2：基于级联无源超前逼近模型，获得分数阶滤波器；步骤3：基于分数阶滤波器，建立神经网络模型。本发明的基于超前环节逼近s^α的神经网络的建模方法及建模系统通过运用级联超前环节有理逼近s^α算子，大大节省了计算时间，且用分数阶滤波器作为神经网络模型的神经元，逼近实际对象模型，得到泛化性好且精度高的神经网络模型，提高了控制精度。

技术领域

本发明属于自动控制系统技术领域，具体涉及一种基于超前环节逼近s^α的神经网络建模方法及建模系统。

背景技术

随着科技的发展，工业控制系统得到了广泛的应用，很多实际的复杂的系统，很难推导出准确的动态数学模型，但很容易采集到输入和输出数据，基于采集的输入和输出数据集获得逼近的动态数学模型，就可以对系统进行更准确的控制。

神经网络模型是一种常用的的数学模型，神经网络模型的准确建立是至关重要的，因为神经网络模型的建立直接影响神经网络模型的泛化性，进而影响控制精度。但是，工业控制系统通常采用的神经网络模型泛化性较低，因此，对此特别需要一种合理的神经网络模型模型建立方法，能提高神经网络模型的泛化性，进而提高控制精度。

发明内容

本发明的目的是提出一种提高神经网络模型的泛化性的基于超前环节逼近s^α的神经网络建模方法及建模系统。

为了实现上述目的，本发明提供一种基于超前环节逼近s^α的神经网络建模方法，包括：步骤1：对分数阶算子s^α进行有理逼近，获得级联无源超前逼近模型；步骤2：基于所述级联无源超前逼近模型，获得分数阶滤波器；步骤3：基于所述分数阶滤波器，建立神经网络模型。

优选的，采用多个超前校正环节级联对所述分数阶算子s^α进行有理逼近，获得级联无源超前逼近模型。

优选的，所述超前校正环节的传递函数表达式为：T为周期，s为复频域，β为常数。

优选的，所述级联无源超前逼近模型为：其中，A为系数，s为复频域，α为分数阶次。

优选的，所述分数阶滤波器为：其中，T为周期，s为复频域，A为系数，α为分数阶次。

优选的，将所述分数阶滤波器作为神经网络模型的神经元，建立神经网络模型。

优选的，所述神经网络模型的隐含层采用方便非线性逼近方法，隐含层到输出层的权值由线性回归算法确定，其它网络参数由粒子群算法解算获得。

本发明还提供一种基于超前环节逼近s^α的神经网络建模系统，该系统包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：步骤1：对分数阶算子s^α进行有理逼近，获得级联无源超前逼近模型；步骤2：基于所述级联无源超前逼近模型，获得分数阶滤波器；步骤3：基于所述分数阶滤波器，建立神经网络模型。

优选的，采用多个超前校正环节级联对所述分数阶算子s^α进行有理逼近，获得级联无源超前逼近模型。

优选的，所述超前校正环节的传递函数表达式为：T为周期，s为复频域，β为常数。

优选的，所述级联无源超前逼近模型为：其中，A为系数，s为复频域，α为分数阶次。

优选的，所述分数阶滤波器为：其中，T为周期，s为复频域，A为系数，α为分数阶次。

优选的，将所述分数阶滤波器作为神经网络模型的神经元，建立神经网络模型。