一种基于数据驱动的深度神经网络大时滞系统动态建模方法技术方案

本发明专利技术公开了一种基于数据驱动的深度神经网络大时滞系统动态建模方法，其中主要涉及数据预处理方法与新型深度神经网络建模技术。本发明专利技术针对在成型控制和工业制造中常见的大时滞系统中出现的建模难度大、强耦合、多干扰等问题，公开了一种基于深度神经网络的大时滞系统建模方法。在数据预处理过程中考虑了系统响应大时滞特性，并对深度神经网络算法权值更新精度差、速度慢的缺点进行优化，增强了其泛化能力。本发明专利技术能有效地解决大时滞系统机理模型难以建立的问题，所得到的深度网络模型也具有很好的泛化性能。

【技术实现步骤摘要】
一种基于数据驱动的深度神经网络大时滞系统动态建模方法
本专利技术属于非线性系统建模
，更为具体地讲，涉及一种基于数据驱动的深度神经网络大时滞系统动态建模方法。
技术介绍
非线性大时滞系统普遍存在于现在的大多数许多工业过程中。由于该系统时延时间长，输入输出多，易受干扰影响，内部结构复杂难以分析等特点，对大时滞系统的的建模辨识与控制问题受到了广泛的关注。对系统建模方法的选择直接影响到系统建模的准确性与可靠性。如今，已有很多非线性建模方法如最小二乘估计，局部动态线性化等已被广泛应用于各种工业场合。随着机器学习的发展，诸如支持向量机，核心向量机等机器学习方法也被应用于非线性系统建模。随着神经网络理论的发展，深度神经网络因其具有深度挖掘数据特征的能力，解耦性能好，泛化能力强等特点，逐渐在非线性复杂系统建模场合崭露头角。然而，神经网络在权值寻优过程中容易遇到权值更新慢、效率低的问题，因此选择合适的寻优算法对神经网络的训练具有重要意义。而针对系统大时滞特点，对输入数据预处理就显得十分关键。在原始数据中如何选择合适的变量子集作为回归建模的本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的深度神经网络大时滞系统动态建模方法，其特征在于，包括如下步骤：/n步骤1：通过机理分析进行多输入数据进行相关变量分析，排除不相关输入；/n步骤2：通过相关系数分析与时滞相关数据特征，将处理后的特征作为神经网络输入；/n步骤3：对动态深度神经网络权重进行更新；/n步骤4：将处理好的数据集带入深度神经网络训练，得到该系统模型。/n

【技术特征摘要】
1.一种基于数据驱动的深度神经网络大时滞系统动态建模方法，其特征在于，包括如下步骤：
步骤1：通过机理分析进行多输入数据进行相关变量分析，排除不相关输入；
步骤2：通过相关系数分析与时滞相关数据特征，将处理后的特征作为神经网络输入；
步骤3：对动态深度神经网络权重进行更新；
步骤4：将处理好的数据集带入深度神经网络训练，得到该系统模型。


2.根据权利要求1所述基于深度神经网络的大时滞系统动态建模方法，其特征在于：步骤1所述采取分类方法，包括但不限于采用弹性约束估计，岭估计及自适应绝对约束估计(LASSO)算法等，将系统的较多输入先按照机理分类，筛选最优子集，以确定基础数据集。


3.根据权利...

【专利技术属性】
技术研发人员：黄求安，高丰，陈勇，伍凌川，韩智鹏，鲁前成，刘越智，
申请(专利权)人：中国兵器装备集团自动化研究所，电子科技大学，
类型：发明
国别省市：四川;51