[发明专利]STO-TCN热误差预测模型建模方法及其迁移学习方法

权利要求书

1.一种STO-TCN热误差预测模型建模方法，其特征在于：包括如下步骤：

1)初始化燕鸥优化算法STO的参数，随机生成燕鸥的初始位置；判断燕鸥的初始位置是否超出预设范围，若是，则将燕鸥的初始位置改为边界；若否，则保持燕鸥的初始位置不变；

2)创建TCN神经网络，将燕鸥的初始位置映射为TCN神经网络的批处理大小和滤波器数量；

3)以热误差数据训练TCN神经网络后、利用TCN神经网络预测热误差，以热误差数据的热误差实际值和由TCN神经网络预测得到的热误差预测值之间的平均绝对误差MAE视为适应度函数；

4)判断平均绝对误差MAE是否小于设定阈值；若是，则以当前燕鸥位置映射得到的批处理大小和滤波器数量作为TCN神经网络的最佳超参数；若否，则更新燕鸥优化算法STO的参数，并将更新参数后的燕鸥优化算法STO的搜索结果与之前的最优解进行比较，若更新参数后的搜索结果的适应度小于之前的最优解的适应度，则以更新参数后搜索到的位置P_st(z+1)替换之前最优解的位置P_best(z)；

5)判断迭代次数是否达到最大值，若是，则终止迭代，以平均绝对误差MAE最小时的燕鸥位置映射得到的批处理大小和滤波器数量作为TCN神经网络的最佳超参数；若否，则迭代次数加1，并将更新后的燕鸥位置映射为TCN神经网络的批处理大小和滤波器数量后，循环执行步骤3)；

6)以燕鸥优化算法STO得到的批处理大小和滤波器数量作为TCN神经网络的最佳超参数，构建得到STO-TCN热误差预测模型；

所述步骤4)中，燕鸥优化算法STO参数的更新方法如下：

C_st-S_A*P_st(z)

M_st-C_B*(P_best(z)-P_st(z))

C_B-0.5*R_and

D_st-C_st+M_st

其中，P_st(z)是燕鸥的当前位置；z是迭代时间；C_st是燕鸥在不相互碰撞的情况下的位置；C_B是一个随机变量；M_st是当前位置向最优位置移动的过程；P_best(z)是燕鸥的全局最优位置；R_and是一个介于0和1之间的随机数；D_st是当前位置向最优位置更新的轨迹；S_A为避免碰撞的控制参数，且：

其中，Iter_max是最大迭代次数；

更新燕鸥优化算法STO参数后搜索到的燕鸥位置为：

其中：

D^θ＝|r₆P_best(z)-P_st(z)|

r₄∈(0,360°)

其中，P_st(z+1)表示更新参数后搜索到的燕鸥位置；r₃,r₄,r₅和r₆表示在[0,1]范围内随机生成的四个参数；a表示常数；D^θ是当前位置与最佳位置之间的距离。

2.根据权利要求1所述的STO-TCN热误差预测模型建模方法，其特征在于：所述步骤3)中，将热误差数据以监督学习算法处理后，再作为TCN神经网络的训练集和测试集。

3.根据权利要求1所述的STO-TCN热误差预测模型建模方法，其特征在于：所述TCN神经网络包括至少两层TCN单元，相邻两层TCN单元之间采用残差块相连接。

4.根据权利要求3所述的STO-TCN热误差预测模型建模方法，其特征在于：所述残差块的表达式为：

z(i+1)＝σ(T(z(i))+z(i))

其中，z(i+1)和z(i)分别是第i个残差块的输出和输入；σ是relu激活函数；T(z(i))是第i个残差块中的非线性变换。