The present invention discloses a method and a device for constructing a system model. The system comprises a wide variety of devices, each of which comprises a plurality of devices. The method includes: constructing feedforward neural network, feedforward neural network including multiple input layer, hidden layer and output layer, each neuron in the input layer corresponding to parameters of each device, the output corresponding to the output layer to the input layer according to the output of the system, the type of equipment is divided into a plurality of devices, and input layer directly connected to the hidden layer is divided into multiple hidden area, a hidden area with a plurality of devices corresponding to each equipment area, area of neurons in the whole area only connected with the hidden in the corresponding neurons; the training of feedforward neural network, then the system model system. In this way, the feed-forward neural network is simplified, the overfitting is avoided, and the coarse features of different types of equipment are extracted to a certain extent, so that the constructed system is more accurate.
【技术实现步骤摘要】
构建系统模型的方法和装置
本公开涉及计算机领域,具体地,涉及一种构建系统模型的方法和装置。
技术介绍
系统是指将零散的东西进行有序地整理、编排形成的具有整体性的整体。随着社会的不断发展,在各个领域中构建了越来越多的系统(例如,中央空调系统),用于将多个设备整体性地运行,以达到统一管理的目的。系统建模的方法通常包括机理分析法、系统辨识法和机器学习法。其中,机理分析法以描述物理特性为基础,包括流体力学、工程热力学和传热学等,模型精度高,参数量大;系统辨识法相比机理分析法,无需了解机理,但需要给出系统模型的结构,对于多输入多输出非线性系统需要解耦,过程比较复杂;机器学习法根据输入输出,根据历史数据学习输入输出的映射关系,不需要机理方面细节的知识,也能够很好地解决非线性多变量系统的建模问题。
技术实现思路
本公开的目的是提供一种简单易行的构建系统模型的方法和装置。为了实现上述目的,本公开提供一种构建系统模型的方法。所述系统包括多种类型的设备,每种类型的设备分别包括多个设备。所述方法包括:构建前馈神经网络,所述前馈神经网络包括输入层、多个隐藏层和输出层,所述输入层中的每个神经元对应为每个设备的参数,所述输出层的输出对应为所述系统的输出,所述输入层根据设备的类型划分为多个设备区,与所述输入层直接连接的隐藏层划分为多个隐藏区,所述多个隐藏区与所述多个设备区一一对应,每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接;对所述前馈神经网络进行训练,得到所述系统的系统模型。可选地,在所述前馈神经网络中,每个设备区中的神经元仅与所对应的隐藏区中的神经元连接。可选地,在所述前馈神 ...
【技术保护点】
一种构建系统模型的方法,所述系统包括多种类型的设备,每种类型的设备分别包括多个设备,其特征在于,所述方法包括:构建前馈神经网络,所述前馈神经网络包括输入层、多个隐藏层和输出层,所述输入层中的每个神经元对应为每个设备的参数,所述输出层的输出对应为所述系统的输出,所述输入层根据设备的类型划分为多个设备区,与所述输入层直接连接的隐藏层划分为多个隐藏区,所述多个隐藏区与所述多个设备区一一对应,每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接;对所述前馈神经网络进行训练,得到所述系统的系统模型。
【技术特征摘要】
1.一种构建系统模型的方法,所述系统包括多种类型的设备,每种类型的设备分别包括多个设备,其特征在于,所述方法包括:构建前馈神经网络,所述前馈神经网络包括输入层、多个隐藏层和输出层,所述输入层中的每个神经元对应为每个设备的参数,所述输出层的输出对应为所述系统的输出,所述输入层根据设备的类型划分为多个设备区,与所述输入层直接连接的隐藏层划分为多个隐藏区,所述多个隐藏区与所述多个设备区一一对应,每个设备区中的神经元仅与所对应的隐藏区中的神经元全连接;对所述前馈神经网络进行训练,得到所述系统的系统模型。2.根据权利要求1所述的方法,其特征在于,在所述前馈神经网络中,每个设备区中的神经元仅与所对应的隐藏区中的神经元连接。3.根据权利要求1所述的方法,其特征在于,在所述前馈神经网络中,相邻的两个隐藏层的神经元全连接,且所述输出层和与所述输出层直接连接的隐藏层的神经元全连接。4.根据权利要求1所述的方法,其特征在于,所述对所述前馈神经网络进行训练,得到所述系统的系统模型的步骤包括:设置所述前馈神经网络中每个层的目标函数,其中,与所述输入层直接连接的隐藏层的目标函数包括该隐藏层中各个连接的权重的L1范数;根据所述目标函数进行迭代计算,得到各个连接的权重,其中,在迭代过程中,当与所述输入层直接连接的隐藏层中的一连接的权重的绝对值小于预定的值时,设定该连接的权重为零。5.根据权利要求4所述的方法,其特征在于,所述根据所述目标函数进行迭代计算,得到各个连接的权重的步骤包括:根据所述目标函数确定所述输出层的目标函数对各个连接的权重的偏导数为:各个隐藏层的目标函数对各个连接的权重的偏导数为:根据所确定的各个连接的权重的偏导数,用误差反向传播算法进行迭代计算,得到各个连接的权重,其中,L为所述前馈神经网络所包含的总层数;E(i)为第i个样本的目标函数;为与所述输出层直接连接的隐藏层的第j个神经元到所述输出层的第1个神经元的连接的权重;为与所述输出层直接连接的隐藏层的第j个神经元的输出;d(i)为与样本中的输入x(i)对应的、经过所述前馈神经网络的预测值;y(i)为样本中与输入x(i)对应的输出;为d(i)与y(i)的残差;f(.)为激活函数;f′(.)为所述激活函数的导数;为第l-1层的第j个神经元到第l层的第i个神经元的连接的权重;为第l层的第i个神经元到第l+1层的第k个神经元的连接的权重;为第l-1层的第j个神经元的输出;为从输出层误差反向传导到第l层的残差,为从输出层误差反向传导到第l+1层的残差,sl+1为第l+1层的神经元个数,sl-1为第l-1层的神经元个数。6...
【专利技术属性】
技术研发人员:邹存璐,孙浩,高睿,
申请(专利权)人:东软集团股份有限公司,
类型:发明
国别省市:辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。