[发明专利]具有对象年龄特征膜计算的桥式吊车神经网络建模方法

摘要

本发明公开了一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法。步骤为：1)获得桥式吊车运行过程的输入和输出采样数据，建立桥式吊车RBF神经网络模型；2)分别将桥式吊车运行过程的位置和摆角的估计输出与实际输出采样数据的差值平方和作为目标函数；3)受生物细胞膜及胞内物质衰老现象的启发，抽象出一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法；4)设定算法运行参数；5)运行具有对象年龄特征膜计算优化方法对桥式吊车RBF神经网络模型中的未知参数进行估计，通过最小化目标函数，得到模型中的未知参数估计值，将估计值带入桥式吊车RBF神经网络模型中，形成非线性模型。本发明建模方法具有抗早熟、局部搜索精度高，收敛快的特点。

主权项

1.一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于包括如下步骤：步骤1：获得桥式吊车系统水平方向的控制输入与输出采样数据作为样本数据，其中输入采样数据为吊车的水平控制力F，输出采样数据为水平方向的位置x和摆角θ；步骤2：建立桥式吊车2个RBF神经网络非线性模型，分别为位置RBF神经网络模型和摆角RBF神经网络模型，两个RBF神经网络模型均采用输入层‑隐含层‑输出层的3层结构；设定位置RBF神经网络模型输入变量个数为Pin,输入向量为[x(t‑1),x(t‑2),...,x(t‑m1),F(t‑1),F(t‑2),...,F(t‑n1)]，其中m1+n1＝Pin，输出变量数为Pout＝1，t为采样时刻；x(t)为t时刻的输出向量，即t时刻的水平方向的位置；F(t)为采样获得的t时刻吊车水平控制力，神经网络隐层结点数为Pl，径向基函数为高斯函数；设定摆角RBF神经网络模型输入变量个数为Ain,输入向量为[θ(t‑1),θ(t‑2),...,θ(t‑m2),F(t‑1),F(t‑2),...,F(t‑n2)]，其中m2+n2＝Ain，输出变量数为Aout＝1，t为采样时刻；θ(t)为t时刻的输出向量，即t时刻的摆角；神经网络隐层结点数为Al，径向基函数为高斯函数；步骤3：将采样得到的样本数据全部归一化到‑1到1之间：其中，x_ij为归一化前第i个样本的第j个分量，x_i′_j为归一化后第i个样本的第j个分量，max_j和min_j分别为样本数据中第j个分量的最大值和最小值；步骤4：将归一化后的数据输入到步骤2建立的位置RBF神经网络模型和摆角RBF神经网络模型中，其中的一部分数据作为训练样本，另一部分作为测试样本；分别针对位置RBF神经网络模型和摆角RBF神经网络模型，在N组采样数据中随机选取m组采样数据作为训练样本；每组采样数据有Pin+1和Ain+1个变量，前Pin和Ain个作为RBF神经网络模型输入，最后一个作为神经网络的模型参考输出；步骤5：在具有对象年龄特征膜计算的桥式吊车神经网络建模方法中，设置具有对象年龄特征膜计算优化方法的规则，包括改写规则、转位规则、粘贴规则、交流规则及衰老规则；步骤6：将位置RBF神经网络模型的输出与实际采样输出数据的差值平方和作为算法寻优的目标函数，通过最小化目标函数，得到位置RBF神经网络模型中未知参数的估计值，将估计值代入位置RBF神经网络，形成桥式吊车位置RBF神经网络模型，用于估计吊车在水平方向的位置；按相同方法形成桥式吊车摆角RBF神经网络模型，用于估计摆角。