一种基于区间反馈神经网络的不确定系统建模方法技术方案

本发明专利技术提供一种基于区间反馈神经网络的不确定系统建模方法，涉及工业过程中的系统建模技术领域。该方法包括：采集系统实际输入输出数据对；在UBB条件下采集系统数据对；归一化处理实际点值输入和与之对应的实际区间输出数据；将归一化的数据作为训练数据对区间反馈神经网络进行离线训练，获得训练好的区间反馈神经网络；利用测试样本测试训练好的区间反馈神经网络并完成输出值预测。本发明专利技术提供的一种基于区间反馈神经网络的不确定系统建模方法，利用区间反馈神经网络的非线性逼近能力，并采用基于误差反传的梯度下降算法进行网络权值学习，避免了神经元的大量输入及对系统机理模型的需求，广泛适用于误差未知但有界的高阶动态系统的建模过程。

【技术实现步骤摘要】
一种基于区间反馈神经网络的不确定系统建模方法
本专利技术涉及工业过程中的系统建模
，具体涉及一种基于区间反馈神经网络的不确定系统建模方法。
技术介绍
在实际系统中，受测量和预估不完整性、工业过程中的扰动和不确定性的影响，所得到的数据往往是不精确的，利用输入输出数据确定的系统等价模型也不够精确，因此用不确定系统模型描述一个实际过程更为合理。把不确定性表示为区间数是一种简单有效的处理方式，具有区间参数的系统称为区间系统。如果用一个确定性系统模型来描述，则实际系统与这个模型之间将不可避免地存在着一定的偏差。基于误差未知但有界(UBB)理论的系统描述是建立区间系统模型的有效方法。目前，UBB理论下不确定系统的建模一般采用基于区间分析的SIVIA算法。虽然借助该算法可以得到一组近似但可靠的识别参数，但是该算法需要已知模型的结构，且算法的效率受所建模系统的复杂度影响很大；随着工业过程的复杂性越来越高，通过过程分析来确定模型结构变得困难；同时，SIVIA算法对于UBB理论中误差界未知情况下的参数识别问题无能为力。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于区间反馈神经网络的不确定系统建模方法，该方法利用神经网络强大的非线性逼近能力，避免参数辨识对于系统机理模型的需求，为误差未知但有界条件下的区间系统建模提供一种新的方法。区间反馈神经网络由于自身结构具有记忆性，适应时变特性，能够解决前馈神经网络对高阶动态系统建模的问题，因此可以作为不确定系统建模的有效手段。为了实现上述目的，一种基于区间反馈神经网络的不确定系统建模方法，包括以下步骤：步骤1：采集系统实际输入输出数据对；步骤2：在误差未知但有界条件下，已知系统公式如下，y＝f(x,q)+e；根据系统实际输出数据的误差允许范围重新定义系统模型公式如下，Y＝F(x,Q)；采集系统数据对(xi,Yi)，其中，x表示系统输入，q表示系统参数，y表示系统输出，f(·)表示系统输入输出映射关系，e表示误差下限，表示误差上限，表示系统区间输出值，Q表示系统区间参数集，F表示系统点输入-区间输出映射关系，xi表示第i个样本数据的输入值，Yi表示第i个样本数据的区间输出值；步骤3：将采集到的实际点值输入数据和与之对应的实际区间输出数据进行归一化处理；步骤4：将归一化处理后的点值数据作为区间反馈神经网络的输入值，区间反馈神经网络的区间输出值作为区间预测值，实际区间输出数据作为区间目标值，对区间反馈神经网络进行离线训练，获得训练完成的区间反馈神经网络，具体步骤如下：步骤4.1：建立区间反馈神经网络模型，设定网络结构，包括；输入层节点个数为l、隐含层节点个数为m、承接层节点个数为m、输出层节点个数为1，其中，承接层是一个延时单元，承接层的节点个数与隐含层节点个数相同；步骤4.2：初始化区间反馈神经网络的参数，包括：输入层节点到隐含层节点的区间权值、承接层节点到隐含层节点的区间权值、隐含层节点到输出层节点的区间权值、隐含层节点和输出层节点的区间阈值、隐含层的激励函数、输出层和承接层的激励函数、区间权值的学习速率和自反馈系数值、区间预测值的总误差阈值；步骤4.3：根据k-1时刻归一化处理后的点值输入数据、输入层到隐含层节点的区间权值、k时刻承接层的区间输出值、承接层到隐含层节点的区间权值，确定k时刻隐含层节点的区间输出值；步骤4.4：根据k时刻隐含层节点的区间输出值和隐含层节点到输出层节点的区间权值，确定k时刻输出层节点的区间输出值，即区间预测值Y(k)；步骤4.5：根据当前时刻的隐含层节点的区间输出值和承接层节点的区间输出值以及自反馈系数α，确定下一时刻的承接层节点区间输出值；步骤4.6：计算由区间反馈神经网络获得的区间预测值与经归一化处理的系统区间输出值的总误差E；步骤4.7：判断区间预测值的总误差E与总误差阈值的关系，若E大于总误差阈值，则根据总误差E，调整隐含层节点到输出层节点的区间权值、输入层节点到隐含层节点的区间权值、承接层节点到隐含层节点的区间权值，返回步骤4.3，否则，完成区间反馈神经网络的训练；步骤5：在目标系统中，采集测试样本数据，利用测试样本对训练好的区间反馈神经网络进行测试，并完成对目标系统的输出值最终预测，具体步骤如下：步骤5.1：在目标系统中，采集测试样本数据；步骤5.2：根据在目标系统中误差未知但有界条件，将实际输出数据扩展成区间输出值；步骤5.3：将在目标系统中采集的输入数据进行归一化处理；步骤5.4：经归一化处理后的输入数据作为区间反馈神经网络的输入值，得到区间反馈神经网络的区间预测值，将得到的区间预测值进行反归一化，作为系统最终的区间预测输出。进一步地，所述步骤3和步骤5.3中归一化处理的公式如下：其中，xi′表示归一化处理后的第i个点值输入数据，xi表示第i个原始点值输入数据，xmin表示所有点值输入数据的最小值，xmax表示所有点值输入数据的最大值，Yi′表示归一化处理后的第i个区间输出值，yi′表示归一化处理后第i个区间输出值的下限，表示归一化处理后第i个区间输出值的上限，yi表示第i个原始区间输出值的下限，表示第i个原始区间输出值的上限，ymin表示所有区间输出值下限的最小值，ymin表示所有区间输出值上限的最大值。进一步地，所述步骤4.2中所有初始区间权值和区间阈值的设定范围均为[-1,1]之间的随机区间值，权值的学习速率和自反馈系数值均为[0,1]范围内的点值。进一步地，所述步骤4.3中k时刻隐含层节点的区间输出值的计算公式如下：其中，Xj(k)表示k时刻第j个隐含层节点的输出区间值，和xj(k)分别表示k时刻第j个隐含层节点输出的上限和下限，和vj(k)分别表示k时刻第j个隐含层节点输入的上限和下限，f(·)表示隐含层激励函数；所述k时刻第j个隐含层节点输入的上限和第j个隐含层节点输入的下限vj(k)的计算公式如下：其中，和wij分别表示第i个输入层节点到第j个隐含层节点权值的上限和下限，ui(k-1)表示k-1时刻第i个输入层节点经归一化处理后的输入，和whj分别表示第h个承接层节点到第j个隐含层节点权值的上限和下限，和分别表示k时刻第j个承接层输出的上限和下限，和θj分别表示第j个隐含层节点阈值的上限和下限。进一步地，所述步骤4.4中k时刻区间预测值Y(k)的计算公式如下：其中，和y(k)分别表示k时刻输出层的输出上限和下限，和wj分别表示第j个隐含层到输出层权值的上限和下限，和xj(k)分别表示k时刻第j个隐含层节点输出的上限和下限，和θ分别表示输出层阈值的上限和下限。进一步地，所述步骤4.5中承接层节点区间输出值的计算公式如下：其中，和分别表示k时刻第j个承接层输出的上限和下限，和xj(k-1)分别表示k-1时刻第j个隐含层节点输出的上限和下限。进一步地，所述步骤4.6中总误差E的计算公式如下：其中，P表示训练数据的样本总个数，和dp分别表示归一化处理后的第p个实际区间输出值的上限和下限，和yp分别表示第p个区间反馈神经网络区间预测值的上限和下限，和vp分别表示第p个样本的惩罚因子上限和下限；所述第p个样本的惩罚因子上限和第p个样本的惩罚因子下限vp的计算公式如下：其中，δ为小于1的很小数值。进一步地，所述步骤4本文档来自技高网...

【技术保护点】
1.一种基于区间反馈神经网络的不确定系统建模方法，其特征在于，包括以下步骤：步骤1：采集系统实际输入输出数据对；步骤2：在误差未知但有界条件下，已知系统公式如下，y＝f(x,q)+e；根据系统实际输出数据的误差允许范围

【技术特征摘要】
1.一种基于区间反馈神经网络的不确定系统建模方法，其特征在于，包括以下步骤：步骤1：采集系统实际输入输出数据对；步骤2：在误差未知但有界条件下，已知系统公式如下，y＝f(x,q)+e；根据系统实际输出数据的误差允许范围重新定义系统模型公式如下，Y＝F(x,Q)；采集系统数据对(xi,Yi)，其中，x表示系统输入，q表示系统参数，y表示系统输出，f(·)表示系统输入输出映射关系，e表示误差下限，表示误差上限，表示系统区间输出值，Q表示系统区间参数集，F表示系统点输入-区间输出映射关系，xi表示第i个样本数据的输入值，Yi表示第i个样本数据的区间输出值；步骤3：将采集到的实际点值输入数据和与之对应的实际区间输出数据进行归一化处理；步骤4：将归一化处理后的点值数据作为区间反馈神经网络的输入值，区间反馈神经网络的区间输出值作为区间预测值，实际区间输出数据作为区间目标值，对区间反馈神经网络进行离线训练，获得训练完成的区间反馈神经网络，具体步骤如下：步骤4.1：建立区间反馈神经网络模型，设定网络结构，包括；输入层节点个数为l、隐含层节点个数为m、承接层节点个数为m、输出层节点个数为1，其中，承接层是一个延时单元，承接层的节点个数与隐含层节点个数相同；步骤4.2：初始化区间反馈神经网络的参数，包括：输入层节点到隐含层节点的区间权值、承接层节点到隐含层节点的区间权值、隐含层节点到输出层节点的区间权值、隐含层节点和输出层节点的区间阈值、隐含层的激励函数、输出层和承接层的激励函数、区间权值的学习速率和自反馈系数值、区间预测值的总误差阈值；步骤4.3：根据k-1时刻归一化处理后的点值输入数据、输入层到隐含层节点的区间权值、k时刻承接层的区间输出值、承接层到隐含层节点的区间权值，确定k时刻隐含层节点的区间输出值；步骤4.4：根据k时刻隐含层节点的区间输出值和隐含层节点到输出层节点的区间权值，确定k时刻输出层节点的区间输出值，即区间预测值Y(k)；步骤4.5：根据当前时刻的隐含层节点的区间输出值和承接层节点的区间输出值以及自反馈系数α，确定下一时刻的承接层节点区间输出值；步骤4.6：计算由区间反馈神经网络获得的区间预测值与经归一化处理的系统区间输出值的总误差E；步骤4.7：判断区间预测值的总误差E与总误差阈值的关系，若E大于总误差阈值，则根据总误差E，调整隐含层节点到输出层节点的区间权值、输入层节点到隐含层节点的区间权值、承接层节点到隐含层节点的区间权值，返回步骤4.3，否则，完成区间反馈神经网络的训练；步骤5：在目标系统中，采集测试样本数据，利用测试样本对训练好的区间反馈神经网络进行测试，并完成对目标系统的输出值最终预测，具体步骤如下：步骤5.1：在目标系统中，采集测试样本数据；步骤5.2：根据在目标系统中误差未知但有界条件，将实际输出数据扩展成区间输出值；步骤5.3：将在目标系统中采集的输入数据进行归一化处理；步骤5.4：经归一化处理后的输入数据作为区间反馈神经网络的输入值，得到区间反馈神经网络的区间预测值，将得到的区间预测值进行反归一化，作为系统最终的区间预测输出。2.根据权利要求1所述的基于区间反馈神经网络的不确定系统建模方法，其特征在于，所述步骤3和步骤5.3中归一化处理的公式如下：其中，xi′表示归一化处理后的第i个点值输入数据，xi表示第i个原始点值输入数据，xmin表示所有点值输入数据的最小值，xmax表示所有点值输入数据的最大值，Yi′表示归一化处理后的第i个区间输出值，yi′表示归一化处理后第i个区间输出值的下限，表示归一化处理后第i个区间输出值的上限，yi表示第i个原始区间输出值的下限，表示第i个原始区间输出值的上限，ymin表示所有区间输出值下限的最小值，ymin表示所有区间输出值上限的最大值。3.根据权利要求1所述的基于区间反馈神经网络的不确定系统建模方法，其特征在于，所述步骤4.2中所有初始区间权值和区间阈值的设定范围均为[-1,1]之间的随机区间值，权值的学习速率和自反馈系数值均为[0,1]范围内的点值。4.根据权利要求1所述的基于区间反馈神经网络的不确定系统建模方法，其特征在于，所述步骤4....

【专利技术属性】
技术研发人员：关守平，潘雪飞，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21