[发明专利]基于超前环节逼近sα 在审
| 申请号： | 202110099718.0 | 申请日： | 2021-01-25 |
| 公开（公告）号： | CN112947322A | 公开（公告）日： | 2021-06-11 |
| 发明（设计）人： | 刘加存;王波 | 申请（专利权）人： | 广东海洋大学 |
| 主分类号： | G05B19/418 | 分类号： | G05B19/418;G06N3/04;G06N3/08 |
| 代理公司： | 北京思创大成知识产权代理有限公司 11614 | 代理人： | 张立君 |
| 地址： | 524088 *** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 超前 环节 逼近 base sup | ||
1.一种基于超前环节逼近sα的神经网络建模方法，其特征在于，包括：
步骤1：对分数阶算子sα进行有理逼近，获得级联无源超前逼近模型；
步骤2：基于所述级联无源超前逼近模型，获得分数阶滤波器；
步骤3：基于所述分数阶滤波器，建立神经网络模型。
2.根据权利要求1所述的基于超前环节逼近sα的神经网络建模方法，其特征在于，采用多个超前校正环节级联对所述分数阶算子sα进行有理逼近，获得级联无源超前逼近模型。
3.根据权利要求2所述的基于超前环节逼近sα的神经网络建模方法，其特征在于，所述超前校正环节的传递函数表达式为：T为周期，s为复频域，β为常数。
4.根据权利要求3所述的基于超前环节逼近sα的神经网络建模方法，其特征在于，所述级联无源超前逼近模型为：
其中，A为系数，s为复频域，α为分数阶次。
5.根据权利要求4所述的基于超前环节逼近sα的神经网络建模方法，其特征在于，所述分数阶滤波器为：其中，T为周期，s为复频域，A为系数，α为分数阶次。
6.根据权利要求1所述的基于超前环节逼近sα的神经网络建模方法，其特征在于，将所述分数阶滤波器作为神经网络模型的神经元，建立神经网络模型。
7.根据权利要求6所述的基于超前环节逼近sα的神经网络建模方法，其特征在于，所述神经网络模型的隐含层采用方便非线性逼近方法，隐含层到输出层的权值由线性回归算法确定，其它网络参数由粒子群算法解算获得。
8.一种基于超前环节逼近sα的神经网络建模系统，其特征在于，该系统包括：存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
步骤1：对分数阶算子sα进行有理逼近，获得级联无源超前逼近模型；
步骤2：基于所述级联无源超前逼近模型，获得分数阶滤波器；
步骤3：基于所述分数阶滤波器，建立神经网络模型。
9.根据权利要求8所述的基于超前环节逼近sα的神经网络建模系统，其特征在于，采用多个超前校正环节级联对所述分数阶算子sα进行有理逼近，获得级联无源超前逼近模型；
所述超前校正环节的传递函数表达式为：T为周期，s为s域，β为常数；
所述级联无源超前逼近模型为：
其中，A为系数，s为复频域，α为分数阶次。
10.根据权利要求8所述的基于超前环节逼近sα的神经网络建模系统，其特征在于，所述分数阶滤波器为：其中，T为周期，s为复频域，A为系数，α为分数阶次。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东海洋大学，未经广东海洋大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110099718.0/1.html，转载请声明来源钻瓜专利网。
