[发明专利]热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架

权利要求书

1.一种热误差预测模型建模方法，其特征在于：包括如下步骤：

1)对原始热误差数据进行预处理；

2)确定麻雀搜索算法(SSA)的基本参数；

3)建立SRWNN神经网络，将具有最优适应度的麻雀个体映射为SRWNN神经网络的学习率、最大训练次数以及输入层、隐藏层和输出层中的节点数；

4)初始化麻雀种群，生成d维混沌向量；

5)判断迭代次数t是否达到最大迭代次数t_max，若是，则执行步骤11)；若否，则执行步骤6)；

6)利用精英反向学习策略得到由N个适应度大的个体形成的新的麻雀种群；

7)计算每只麻雀个体的适应度，并标记出最优适应度的个体；适应度函数为：

其中，y_n和分别表示预测和预期输出；N表示种群规模；

8)判断计算是否停滞不前，若是，则更新发现者、加入者和警戒者的位置；若否，则更新种群的位置；

9)执行边界控制，获得新的个体；将伯努利映射产生的混沌变量值映射到麻雀个体后，再将混沌干扰添加到每个个体；

10)循环步骤3)至步骤7)，直至t≥t_max；

11)以经过预处理的热误差数据训练SRWNN神经网络，得到热误差预测模型。

2.根据权利要求1所述热误差预测模型建模方法，其特征在于：所述步骤1)中，采用改进的提升小波变换分解(ILWT)对热误差进行预处理，通过在阈值范围内建立平滑过渡区，减少高频系数的损失，使经过阈值处理的信号与原始信号的自然连续性保持一致，即：

σ＝median|d_j-1|/0.6745

其中，thr表示阈值；N表示每个小波层的高频系数序列的长度；median表示中值函数；d_j-1表示小波系数；σ表示噪声估计的标准偏差；d'_j-1表示阈值处理后的高频部分；k表示信号分解级数。

3.根据权利要求1所述热误差预测模型建模方法，其特征在于：所述步骤4)中，使用混沌算子来初始化麻雀种群：

首先，引入伯努利映射：

其中，x_k+1表示第k+1个个体的值；x_k表示第k个个体的值；B表示在(1.4,2]之间的随机数；z_k表示原始映像；

其次，在伯努利映射中引入随机变量即：

得到一个维度在范围内的d维混沌向量，该d维混沌向量被认为是第一个麻雀个体；

最后，剩下的M-1个麻雀个体为：

其中，mod1表示x_k的伯努利映射。

4.根据权利要求1所述热误差预测模型建模方法，其特征在于：所述步骤6)中，选取适应度大的前N/2个个体组成精英种群计算精英群体的反向群体

其中，表示精英解的j维向量，且δ∈[0,1]；以及是j维搜索空间的边界，且当或时，其中，rand(lb_j,ub_j)∈[lb_j,ub_j]；

精英种群与反向种群相结合，得到一个新种群，选择N个适应度大的个体，得到由N个适应度大的个体形成的新的麻雀种群。

5.根据权利要求1所述热误差预测模型建模方法，其特征在于：所述步骤7)中，计算每只麻雀个体的适应度，并标记出最优适应度的个体；而后对麻雀重新编号，确定最优适应度f_g及其对应位置X_best和最差适应度f_w及其对应位置X_worst；具体的，麻雀的适应度表示为：

其中，F_x表示麻雀群体的适应度向量；x_i,j表示第j代的麻雀群体中的第i个个体的值，且i＝1,2,…,n，j＝1,2,…d；f表示适应度函数。