[发明专利]基于神经网络的迟滞特性建模方法

摘要

本发明为一种基于神经网络的迟滞特性建模方法，有迟滞特性的系统H[·]，在不同的时刻输入相同，其迟滞输出不同H[v(t₁)]≠H[v(t₂)]；本发明引入迟滞因子f(x)，在不同的时刻t₁和t₂，迟滞因子的输入x(t₁)＝x(t₂)，迟滞因子的输出f[x(t₁)]≠f[x(t₂)]；以与迟滞系统的相同输入v(t)作为迟滞因子的输入，f[v(t₁)]≠f[v(t₂)]；把(v(t)，f[v(t)])作为一个输入，对于不同的时刻t₁、t₂，当v(t₁)＝v(t₂)，(v(t₁)，f[v(t₁)])≠(v(t₂)，f[v(t₂)])，每一个输入(v(t)，f[v(t)])唯一的对应于一个迟滞输出H[v(t)]，迟滞系统的多映射变换成一一映射，以此为基础建立迟滞特性的神经网络模型。本模型能够准确地逼近迟滞非线性；结构简单，简化了辨识算法过程，可以根据对象的变化在线调整模型参数，具有较好的灵活性和适应性，能够方便地用于机械间隙系统、磁性材料、压电陶瓷器件等迟滞特性的实时控制。

主权项

1一种基于神经网络的迟滞特性建模方法，有迟滞特性的系统H[·]，在不同的时刻t1，t2若是输入相同v(t1)＝v(t2)，其迟滞输出不同H[v(t1)]≠H[v(t2)]；其特征在于：引入迟滞因子f(x)，在不同的时刻t1和t2，迟滞因子的输入x(t1)＝x(t2)，且x(t1)，x(t2)不是极值点，那么迟滞因子的输出f[x(t1)]≠f[x(t2)]；以与迟滞系统相同的输入v(t)作为迟滞因子的输入，f[v(t1)]≠f[v(t2)]；把(v(t)，f[v(t)])作为一个输入，对于不同的时刻t1、t2，当v(t1)＝v(t2)，(v(t1)，f[v(t1)])≠(v(t2)，f[v(t2)])，每一个输入(v(t)，f[(t)])唯一的对应于一个迟滞输出H[v(t)]，迟滞系统的多映射变换成一一映射，以此为基础建立迟滞特性的神经网络模型。