申请/专利权人：西南科技大学

申请日：2023-12-13

公开（公告）日：2024-06-28

公开（公告）号：CN117649902B

主分类号：G16C60/00

分类号：G16C60/00;G06F30/27

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：本发明公开了一种用于智能材料器件的神经网络建模及其迟滞特性预测方法，其包括以下步骤：根据智能材料器件的物理特性和约束条件，构建JA迟滞模型并进行离散化，得到离散后的JA迟滞模型；根据离散后的JA迟滞模型及其结构关系、离散后的JA迟滞模型输入激励与智能材料器件输出响应之间的信号传递关系，构建神经网络并进行训练；通过训练后的神经网络对迟滞特性进行预测。本发明构建的迟滞神经网络的规模和复杂度小，有利于网络的训练，所需的数据量小、运算时间短、计算成本低；本发明的预测方法利用训练后的神经网络对智能材料器件的迟滞特性进行预测，减少了建模误差，提高了准确度，可有效、精确、快速地描述智能材料器件的非线性特性。

主权项：1.一种用于智能材料器件的神经网络建模方法，其特征在于：包括以下步骤：S1、根据智能材料器件的物理特性和约束条件，构建JA迟滞模型；S2、对JA迟滞模型进行离散化，得到离散后的JA迟滞模型；S3、根据离散后的JA迟滞模型及其结构关系、离散后的JA迟滞模型的输入激励与智能材料器件输出响应之间的信号传递关系，构建对应的神经网络，完成建模；所述步骤S1中的JA迟滞模型的公式为： 其中，M为输出变量，表示JA迟滞模型输出的磁化程度，Mrev表示JA迟滞模型的可逆磁化程度，Mirr表示JA迟滞模型的不可逆磁化程度，H表示输入的智能材料器件的磁场强度，表示不可逆磁化程度Mirr对智能材料器件的输入磁场强度H求导，k表示迟滞能量损失因子，δ表示磁场变化方向的参数，α表示不可磁化形状参数，Man表示不可磁化程度，c表示磁化权重系数，Ms表示磁饱和因子，coth·表示双曲余弦函数，a表示磁畴耦合因子；所述步骤S2中的离散后的JA迟滞模型的公式为： 其中，k表示时刻，Mk表示离散后的JA迟滞模型在时刻k的输出磁化程度，Mk-1表示离散后的JA迟滞模型在时刻k-1的输出磁化程度，sinh·表示双曲正弦函数，Hk-1表示离散后的JA迟滞模型在时刻k-1的输入磁场强度；所述步骤S3中的结构关系为离散后的JA迟滞模型的参数与其公式中各项间结构关系；所述步骤S3中的离散后的JA迟滞模型输入激励与智能材料器件输出响应之间的信号传递关系为离散后的JA迟滞模型的输入信号到输出信号的传递关系；所述步骤S3中的智能材料器件的神经网络模型包括8个输入层、38个隐含层和一个输出层；所述38个隐含层和一个输出层均包括一个神经元；层与层之间的连接权重均为1；所述输入层包括并联的八个输入单元，分别为In1、In2、In3、In4、In5、In6、In7及In8；所述输出层为隐含层39；其中，智能材料器件的神经网络模型的具体设计过程如下：将输入电压序列H及其导数序列dH、五个由常数1构成的输入序列以及由采样时间T构成的输入序列分别输入至八个输入单元；分别对输入单元In1的输出数据、输入单元In2的输出数据以及隐含层39的输出数据进行延迟，得到对应的延迟数据；将输入单元In3至输入单元In7的输出数据分别输入至隐含层1至隐含层5进行计算；将隐含层39对应的延迟数据、隐含层2的输出数据输入至隐含层12进行计算；将输入单元In1的延迟数据和隐含层12的输出数据输入至隐含层6进行计算；将隐含层1的输出数据输入至隐含层37进行计算；将输入单元In2的延迟数据输入至隐含层13进行计算；将隐含层37和隐含层6的输出数据输入至隐含层7进行计算；将隐含层7的输出数据分别输入至隐含层8、隐含层14进行计算；将隐含层8的输出数据输入至隐含层10进行计算；将隐含层6的输出数据输入至隐含层9进行计算；将隐含层10的输出数据、隐含层1的输出数据输入至隐含层11进行计算；将隐含层9和隐含层11的输出数据输入至隐含层15进行计算；将隐含层9的输出数据、隐含层2的输出数据、隐含层3的输出数据、隐含层4的输出数据输入至隐含层16进行计算；将隐含层11的输出数据、隐含层1的输出数据、隐含层2的输出数据、隐含层3的输出数据、隐含层4的输出数据输入至隐含层17进行计算；将隐含层6的输出数据、隐含层14的输出数据、隐含层4的输出数据输入至隐含层18进行计算；将隐含层1的输出数据、隐含层4的输出数据输入至隐含层19进行计算；将隐含层39对应的延迟数据、隐含层6的输出数据输入至隐含层20进行计算；将隐含层15的输出数据、隐含层16的输出数据、隐含层17的输出数据输入至隐含层21进行计算；将隐含层18的输出数据、隐含层19的输出数据、隐含层20数据的输出数据输入至隐含层22进行计算；将隐含层3的输出数据输入至隐含层23进行计算；将隐含层5的输出数据、隐含层13的输出数据输入至隐含层24进行计算；将隐含层6的输出数据、隐含层23的输出数据、隐含层24数据的输出输入至隐含层27进行计算；将隐含层21的输出数据输入至隐含层38进行计算；将隐含层38的输出数据、隐含层15的输出数据输入至隐含层29进行计算；将输入单元In8的输出数据、隐含层23的输出数据、隐含层22的输出数据、输入单元In2的延迟数据输入至隐含层25进行计算；将隐含层22的输出、隐含层2的输出数据输入至隐含层26进行计算；将隐含层26的输出数据、隐含层27的输出输入至隐含层28进行计算；将隐含层9的输出数据、隐含层4的输出数据、隐含层3的输出数据、输入单元In2的延迟数据、输入单元In8的输出数据输入至隐含层31进行计算；将隐含层11的输出数据、隐含层4的输出数据、隐含层3的输出数据、隐含层1的输出数据、输入单元In2的延迟数据、输入单元In8的输出数据输入至隐含层32进行计算；将隐含层28的输出数据输入至隐含层36进行计算；将隐含层31的输出数据、隐含层38的输出数据输入至隐含层34进行计算；将隐含层38的输出数据、隐含层32的输出数据输入至隐含层35进行计算；将隐含层25的输出数据、隐含层36的输出数据输入至隐含层30进行计算；将隐含层29的输出数据、隐含层30的输出数据输入至隐含层33进行计算；将隐含层33的输出数据、隐含层34的输出数据、隐含层35的输出数据、隐含层39对应的延迟数据输入至隐含层39进行计算，完成处理。

全文数据：

权利要求：

百度查询： 西南科技大学 用于智能材料器件的神经网络建模及迟滞特性预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD