买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：吉林大学

摘要：本发明公开了一种基于神经网络和抗死区函数的磁控形状记忆合金执行器模型预测控制方法。本发明步骤1：提出以广义play算子作为外生输入变量的NARMAX模型，用于描述磁控形状记忆合金执行器的输入输出特性。步骤2：利用门递归神经网络GRNN逼近NARMAX模型中的未知函数f，得到高精度的基于GRNN的NARMAX的迟滞模型。步骤3：基于构建的神经网络迟滞模型，对系统未来时刻的输出进行预测，从而构建损失函数。并在损失函数中引入设计的抗死区函数。步骤4：最小化构建的损失函数，得到相应的最优控制序列。根据滚动优化原则，将最优控制序列的第一个控制信号应用于系统，实现磁控形状记忆合金执行器的高精度期望轨迹跟踪控制，促进了其实际工程应用。

主权项：1.一种基于神经网络和抗死区函数的磁控形状记忆合金执行器模型预测控制方法，其特征在于，该方法的步骤如下：步骤1：提出以广义play算子作为外生输入变量的NARMAX模型，用于描述磁控形状记忆合金执行器的输入输出特性；步骤2：利用门递归神经网络逼近NARMAX模型中的未知函数f，从而得到高精度的基于门递归神经网络的NARMAX的迟滞模型；步骤3：基于构建的神经网络迟滞模型，对系统未来时刻的输出进行预测，从而构建损失函数；并在损失函数中引入设计的抗死区函数；步骤4：最小化构建的损失函数，得到相应的最优控制序列；根据滚动优化原则，将最优控制序列的第一个控制信号应用于系统，实现磁控形状记忆合金执行器的高精度控制；步骤1的具体过程为：带有外生变量广义play算子的NAMRMAX模型表达式如下： 其中t为系统采样时刻，f为NARMAX模型中的未知函数，ypt为模型的输出值，yt-1为系统在t-1采样时刻的输出，ut-1为t-1采样时刻的输入，ht-1为外生变量广义play算子的输入；ρ，和χ为输入信号的记忆延时，且设置参数定义为NARMAX模型的输入矩阵；外生变量广义play算子的数学表达式如下： 其中λ，β，δ，是广义play算子中的参数，能够决定play算子的输入输出曲线形状；步骤2的具体过程为：基于GRNN的NARMAX模型描述如下： 其中fGRNN·表示门递归神经网络拟合得到的函数；门递归神经网络的数学表达式如下： 其中，wij是输入层第i个神经元φjt的权值，l代表了输入层神经元的个数；yjt是隐含层第j个神经元；φjt是第j个隐含层神经元yjt的输入，n代表了隐含层神经元的个数，Φjt是隐含层神经元的更新门，Θjt是隐含层神经元的重置门，σ代表激活函数，是重置门权值，是重置门偏置，是更新门权值，是更新门偏置；是候选隐藏状态，tanh代表激活函数，是候选隐藏状态计算权值，是候选隐藏状态偏置；ypt是门递归神经网络的输出，是求和层权值； 为神经网络中的权值和偏置，定义权值和偏置更新公式如下： 其中η是学习因子，α为动量因子；Jp为神经网络参数更新过程中的损失函数；步骤3的具体过程为：基于构建的神经网络NARMAX模型，对系统未来时刻输出预测如下： 定义模型预测控制算法中的损失函数如下： 其中ydt＝[ydt+1,…,ydt+Hp]T，Δut＝[Δut,…,Δut+Hc-1]T，Hp和Hc表示预测域和控制域，ydt为期望轨迹，表示预测输出；θ1和θ2为损失函数的权值因子，其中，抗死区函数来动态调节θ2，所述抗死区函数定义如下： 其中e＝yd-y表示跟踪误差；θ0为权值系数θ2的初值；χ10，χ20表示函数的灵敏度；b10，b20表示函数的阈值；步骤4的具体过程如下：利用梯度下降法最小化引入死区函数之后的损失函数，根据滚动优化原则求解最优控制序列；控制序列更新公式如下： 其中为雅可比矩阵，表达式如下： 其中ηc为滚动优化过程中的学习率；ut+1为得到的最优控制序列，根据滚动优化原则，将最优控制序列的第一个信号应用于系统，实现磁控形状记忆合金执行器的高精度控制。

全文数据：

权利要求：

百度查询： 吉林大学 一种基于神经网络和抗死区函数的磁控形状记忆合金执行器模型预测控制方法