[发明专利]基于Backlash算子和神经网络的自适应滤波器

摘要

本发明涉及一种基于Backlash算子和神经网络的自适应滤波器以及其对蠕变迟滞系统的建模方法，属于非线性迟滞蠕变系统建模技术领域。该基于Backlash算子和神经网络的自适应滤波器包括蠕变模块、多个相同宽度的Backlash算子模块、神经网络模块以及误差计算模块。该自适应滤波器设计方法简单易行，避免使用延迟项，滤波器的输出只与当前输入有关，同时可以体现迟滞的非线性，并且Backlash算子串联结构的输出与神经网络相连，能够实时调整权值，不需要事先准备大量的样本数据，能够大大提高建模精度。本发明适合用于建模例如压电陶瓷执行器、磁致伸缩执行器、以及励磁电机等具有迟滞及蠕变非线性特性的系统。

主权项

1.一种基于Backlash算子和神经网络的自适应滤波器，其特征在于包括蠕变模块、多个相同宽度的Backlash算子模块、神经网络模块以及误差计算模块，其中：蠕变模块的输入与自适应滤波器的信号输入相连，蠕变模块的输出连接到第一个Backlash算子模块，蠕变模块用于模拟蠕变非线性；多个相同宽度的Backlash算子模块连接成串联结构，第一个Backlash算子模块与蠕变模块的输出相连，串联的相邻两个Backlash算子模块之间的信号被引出，作为神经网络模块的输入信号；神经网络模块为三层结构，包括两个隐层以及一个输出层，每一层包括多个自适应神经元模块(包括自适应加权模块、加法器模块以及激励函数模块)，神经网络模块的输出即为整个滤波器的输出，该输出同时与误差计算模块的一路输入相连，误差计算模块的另一路输入是滤波器的期望输出信号即目标信号；误差计算模块有两路输入，分别为前述的神经网络模块输入和滤波器的期望输出信号即目标信号，误差计算模块的输出则连接到神经网络模块用于调节自适应神经元模块中的自适应权值；其中神经网络模块的功能为将各个算子进行加权值叠加得到第一、第二隐层神经元的输出：并得出滤波器输出为：其中，为第一隐层第i个神经元的输出，为第二隐层第j个神经元的输出；P_rm[x(k)]表示串联Backlash算子结构中的第m个宽度为r的Backlash算子模块的输出，表示第m个Backlash算子的输出与第一隐层第i个神经元之间的权值，表示神经网络模块第一隐层第i个神经元与第二隐层第j个神经元之间的权值，表示神经网络模块第二隐层第j个神经元与输出神经元之间的权值；误差计算模块的功能为计算期望输出y(k)与实际滤波器输出y′(k)的误差e(k)＝y(k)-y′(k)，其结果供神经网络模块调整其内部的自适应权值；神经网络模块中的自适应加权模块有多个，各个加权模块的自适应权值根据期望输出与实际滤波器输出的误差，即误差计算模块的输出进行实时调整，调整原则为前向算法，权值修正方法为：wj(3)(k+1)=wj(3)(k)+Δwj(3)(k)]]>=wj(3)(k)+η·e(k)·Oj(2)(k)]]>wij(2)(k+1)=wij(2)(k)+Δwij(2)(k)]]>=wij(2)(k)+η·e(k)·wj(3)(k)·Oi(1)(k)·f′(Oj(2)(k))]]>wni(1)(k+1)=wni(1)(k)+Δwni(1)(k)]]>=wni(1)(k)+η·e(k)·wij(2)(k)·wj3·Prn(k)·f′(Oi(1)(k))·f′(Oj(2)(k))]]>其中η为学习速率，激励函数f(x)采用sigmoid函数：