[发明专利]基于深度学习的分布式参数系统建模的时空耦合学习方法

权利要求书

1.一种应用于分布参数系统建模的时空耦合学习方法，其特征在于，所述方法包括：

步骤1，对提出的问题公式化，写出方程式、边界条件和初始值；

步骤2，建立稀疏自编码器网络；

步骤3，建立多层神经网络，对神经网络进行优化；

步骤4，建立稀疏自编码器和多层神经网络相结合的时空耦合模型；

步骤5，给出训练和预测方法。

2.根据权利要求1所属的一种分布参数系统建模的时空耦合学习方法，其特征在于，所述步骤1包括：

分布参数系统的非线性偏微分方程表示为：

t∈[0,∞]为时间，代表包含非线性空间的非线性向量函数，β是一个常数，B(x)是一个矩阵函数，输入向量u(t)，表示n阶空间导数方程有受制的边界条件和初始条件；

构造时刻t的空间输出时刻t的空间输入

3.根据权利要求1所属的一种分布参数系统建模的时空耦合学习方法，其特征在于，所述步骤2包括：

由编码函数f_e和解码函数f_d组成稀疏自编码器网络，在每个离散时间步长t处，利用非线性函数f_e(·)将高维数据Y_t约简为低维W_k和c_k分别为编码器网络第k层的权矩阵和偏置向量，是一个非线性激活函数；

根据控制输入U_t+1可以通过任意非线性函数f_i(·)转化为U_t+1，将Y_t＝f_e(Y_t)与U_t+1＝f_i(U_t+1)的元素求和，即z_t+1＝Y_t+U_t+1。

4.根据权利要求1所属的一种分布参数系统建模的时空耦合学习方法，其特征在于，所述步骤3包括：

根据高斯分布或者正态分布随机初始化神经网络的权重矩阵，将样本数据作为输入，带入权重矩阵中计算，再通过激活函数ReLU传入下一层，在输出层得到预测值；

损失计算

5.根据权利要求1所属的一种分布参数系统建模的时空耦合学习方法，其特征在于，所述步骤4包括：

将z_t+1输入所选取的MinimalRNN单元,得到输出h_t+1＝v_t+1⊙h_t+(1-v_t+1)⊙z_t+1，投影矩阵M_h将输出h_t+1投影到一个新的输出h_t+1＝M_hh_t+1，使h_t+1和Y_t具有相同的大小，然后，输出h_t+1被送入解码器网络；

利用公式来预测输出Y_t+1；

f_d为非线性函数，d_k为偏移误差，编码器和解码器具有相同的一组权重W_i，将编码器的输入层获取的数据Y_t传输到隐藏层，通过非线性函数隐藏层反馈输入数据的仿射变换，这个过程在输出层继续，产生输出Y_t，构造一个从输入层到输出层的映射l，解码器得到的映射l为近似逆最后，解码器的输出Y_t+1近似于原始数据Y_t+1。