一种基于物理表达式的自适应学习方法及系统技术方案

本发明专利技术公开了一种基于物理表达式的自适应学习方法及系统，其方法包括：获取当前时刻的采样数据并将其输入物理表达式模块中，以得到当前时刻的采样输出数据；将当前时刻的期望输出数据和当前时刻的采样输出数据输入均方根误差模块中；均方根误差模块基于输入的数据计算当前时刻对应的均方根误差进行判断；自适应学习算法模块根据输入的均方根误差，计算得到下一时刻的权重值。本发明专利技术方法简单，可实现性高；通过引入权值将自适应算法与物理表达式紧密结合在一起，通过循环调整权值，使得物理表达式更贴近工程需求，因此算法模型更加全面有效。有效。有效。

【技术实现步骤摘要】
一种基于物理表达式的自适应学习方法及系统


[0001]本专利技术涉及自适应学习
，特别是一种基于物理表达式的自适应学习方法及系统。

技术介绍

[0002]在科学实验、计算机图像处理、信号处理等众多研究方面，都要涉及到数据的处理。为了分析事物之间的关系，预测未来的趋势走向，提出合理的决策等，都要对数据进行拟合。数据拟合普遍运用在众多领域，因此一直以来都是比较热门的课题，其实质是通过给定的离散数据点进行数据的曲线曲面拟合，用光滑的曲线曲面逼近这些离散数点，从而使拟合效果更好，是数学学科以及其他学科的重要的研究课题。
[0003]针对输入数据与输出数据之间有明确解析表达式关系的，采用与数据的背景规律相一致的数学函数解析表达式y＝f(x,p,...,q)来表示不同输入参数x,p,
…
,q(假设共k个)与输出数据y之间存在的依赖关系，将y＝f(x,p,...,q)称作理论数学模型。根据表达式的指导，通过输入数据是可以通过计算完全得到输出数据的。但是，在理论计算和实际测试结果的对比过程中，经常出现理论计算结果与测试数据无法很好的契合，即无法直接使用表达式来作为曲线拟合的函数，出现这种现象的原因有多种，可能是采集数据经过系统时叠加了某些固定参数，或者因为放大器或者衰减器的存在增加了某些系数，又或者在测试过程中测试仪器引入了某些特定参数等，这些原因都会导致仅仅通过物理表达式进行数学建模是无法达到设计要求的。然而系统链路复杂、测试环境有限，又无法一一排查原因，仅能知道最终测试的数据结果，因此如何构建准确的模型成为了设计的重点和难点。

技术实现思路

[0004]鉴于此，本专利技术提供一种基于物理表达式的自适应学习方法及系统，以解决上述技术问题。
[0005]本专利技术公开了一种基于物理表达式的自适应学习方法，其包括以下步骤：
[0006]步骤1：获取当前时刻的采样数据并将其输入物理表达式模块中，以得到当前时刻的采样输出数据；
[0007]步骤2：将当前时刻的期望输出数据和当前时刻的采样输出数据输入均方根误差模块中；
[0008]步骤3：均方根误差模块基于输入的数据计算当前时刻对应的均方根误差，根据该均方根误差是否满足要求，以确定是否将物理表达式模块当前的采样输出数据作为物理表达式模块的最终数据输出，或者是，将均方根误差输入自适应学习算法模块；
[0009]步骤4：自适应学习算法模块根据输入的均方根误差，计算当前时刻的权重值，并根据当前时刻的权重值，计算得到下一时刻的权重值，并用下一时刻的权重值替换物理表达式模块中的权重值；
[0010]步骤5：将下一时刻的采样数据作为当前时刻的采样数据，重复执行步骤1至步骤
5，直至均方根误差模块输出的均方根误差满足要求为止。
[0011]进一步地，所述步骤1包括：
[0012]设当前时刻的采样数据为(ak,bk,
…
,qk)，其中，(ak,bk,
…
,qk)为第k时刻，即当前时刻对a、b,
…
,q的采样数据；k为正整数，取值范围为1至n；
[0013]将当前时刻的采样数据输入物理表达式模中的基于领域知识的物理表达式中，得到当前时刻的采样输出数据，即：
[0014]zk＝f(λ1
×
ak,λ2
×
bk,
…
,λm
×
qk)
[0015]其中,f为具备物理含义的解析表达式，λ1,λ2,
…
,λm为权重值，通过该权重值调整当前时刻的采样数据的大小；zk为当前时刻的采样输出数据。
[0016]进一步地，所述步骤3包括：
[0017]步骤31：当均方根误差满足要求时，当前时刻的采样输出数据zk作为物理表达式模块的输出；当均方根误差不满足要求时，则将均方根误差e
k
送入自适应学习算法模块；
[0018]步骤32：自适应学习算法模块将均方根误差e
k
作为代价函数，对λ1,λ2,
…
,λm求偏导，再另偏导等于零即可得到MSE极值；
[0019]步骤33：根据步骤33，得到下一时刻的权重值。
[0020]进一步地，所述均方根误差e
k
为：
[0021][0022]进一步地，所述步骤32具体为：
[0023]自适应学习算法模块将均方误差作为代价函数：
[0024][0025]将上式对λ1,λ2,
…
,λm求偏导，再另偏导等于零即可得到MSE极值；
[0026]对上式求偏导，可得：
[0027][0028]其中，可根据f(λ1
×
aj,λ2
×
bj,
…
,λn
×
qj)表达式进行计算；λ
i
(k)为当前时刻第i个权重值，i的取值范围为1至m。
[0029]进一步地，所述步骤33具体为：
[0030][0031]其中，η为学习效率是固定参数，λ
i
(k+1)为下一时刻，即k+1时刻的第i个权重值。
[0032]进一步地，在步骤4中：
[0033]将m个下一时刻的权重值分别替换物理表达式模中的基于领域知识的物理表达式的m个权重值。
[0034]本专利技术还公开了一种基于物理表达式的自适应学习系统，其包括：
[0035]物理表达式模块，用于接收当前时刻的采样数据并得到当前时刻的采样输出数据；以及接收均方根误差模块输出的满足要求的反馈信息；当接收到反馈信息时，将当前时刻的采样输出数据作为其最终数据输出；还用于将自适应学习算法模块输出的下一时刻的采样数据作为当前时刻的采样数据；
[0036]均方根误差模块，用于计算接收当前时刻的期望输出数据和物理表达式模块输出的当前时刻的采样输出数据的均方根误差，当均方根误差满足要求时，向物理表达式模块输出满足要求的反馈信息；当均方根误差不满足要求时，将均方根误差输入自适应学习算法模块；
[0037]自适应学习算法模块，用于根据接收到的均方根误差，计算当前时刻的权重值，并根据当前时刻的权重值，计算得到下一时刻的权重值，并用下一时刻的权重值替换物理表达式模块中的权重值。
[0038]由于采用了上述技术方案，本专利技术具有如下的优点：本专利技术方法简单，可实现性高；通过引入权值将自适应算法与物理表达式紧密结合在一起，通过循环调整权值，使得物理表达式更贴近工程需求，因此算法模型更加全面有效。
附图说明
[0039]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0040]图1为本专利技术实施例的一种基于物理表达式的自适应学习方法框架示意图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理表达式的自适应学习方法，其特征在于，包括以下步骤：步骤1：获取当前时刻的采样数据并将其输入物理表达式模块中，以得到当前时刻的采样输出数据；步骤2：将当前时刻的期望输出数据和当前时刻的采样输出数据输入均方根误差模块中；步骤3：均方根误差模块基于输入的数据计算当前时刻对应的均方根误差，根据该均方根误差是否满足要求，以确定是否将物理表达式模块当前的采样输出数据作为物理表达式模块的最终数据输出，或者是，将均方根误差输入自适应学习算法模块；步骤4：自适应学习算法模块根据输入的均方根误差，计算当前时刻的权重值，并根据当前时刻的权重值，计算得到下一时刻的权重值，并用下一时刻的权重值替换物理表达式模块中的权重值；步骤5：将下一时刻的采样数据作为当前时刻的采样数据，重复执行步骤1至步骤5，直至均方根误差模块输出的均方根误差满足要求为止。2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：设当前时刻的采样数据为(ak,bk,
…
,qk)，其中，(ak,bk,
…
,qk)为第k时刻，即当前时刻对a、b,
…
,q的采样数据；k为正整数，取值范围为1至n；将当前时刻的采样数据输入物理表达式模中的基于领域知识的物理表达式中，得到当前时刻的采样输出数据，即：zk＝f(λ1
×
ak,λ2
×
bk,
…
,λm
×
qk)其中,f为具备物理含义的解析表达式，λ1,λ2,
…
,λm为权重值，通过该权重值调整当前时刻的采样数据的大小；zk为当前时刻的采样输出数据。3.根据权利要求2所述的方法，其特征在于，所述步骤3包括：步骤31：当均方根误差满足要求时，当前时刻的采样输出数据zk作为物理表达式模块的输出；当均方根误差不满足要求时，则将均方根误差e
k
送入自适应学习算法模块；步骤32：自适应学习算法模块将均方根误差e
k
作为...

【专利技术属性】
技术研发人员：马雅男，唐小峰，侯园园，
申请(专利权)人：成都天奥测控技术有限公司，
类型：发明
国别省市：