【技术实现步骤摘要】
本申请涉及数据处理，具体涉及一种预测模型构建、振动量预测方法、装置和电子设备。
技术介绍
1、线性马达作为良好的振动触觉器件，已经在越来越多的电子设备中得到广泛应用，但触觉效果始终差强人意，主要原因是当前技术方案对马达进行建模模型准确率低，一致性差。现有马达建模方法主要依赖马达物理模型，通过建立电学方程和力学方程来得到系统传递函数，这种方法受马达基本参数如电感、电阻、质量、电磁力系数等参数影响较大，只要有其中一个参数不准，都会降低马达建模的精度，而这些参数大部分是通过实验获得，而实验由于受外界环境等不确定性因素影响很难保证其准确度，该方法在理论上可行，但实际应用中效果较差。另外一种常用的方法是首先构建arx(auto-regressive with extrainputs，有源自回归模型)或其它模型，然后通过最小二乘法或其它方法求解模型参数，但这种方法往往只适用于线性系统，如果对于非线性系统或不完全线性系统采用线性系统的建模方法，容易导致模型准确率较低或模型辨识失败。可见，传统方案构建的马达辨识模型存在效果差的问题。
技术实现思路
1、鉴于此，本申请提供一种预测模型构建、振动量预测方法、装置和电子设备，以解决传统方案构建的马达辨识模型存在效果差的问题。
2、本申请提供的一种预测模型构建方法，包括：
3、获取各次预设驱动数据和马达响应各次所述预设驱动数据反馈的输出振动量；
4、根据各次所述预设驱动数据和在前的至少一次神经网络模型的输出矩阵确定为匹配
5、将所述输入矩阵输入神经网络模型，获取所述神经网络模型输出层的神经元输出；
6、根据所述神经元输出和各次所述输出振动量确定损失函数；
7、根据所述损失函数更新所述神经网络模型各层之间的权重参数，根据更新后的模型参数更新所述神经网络模型，返回执行将所述输入矩阵输入神经网络模型，获取所述神经网络模型输出层的神经元输出的步骤，直至达到迭代停止条件；
8、根据达到迭代停止条件时的权重参数确定所述预测模型。
9、可选地，所述根据各次所述预设驱动数据和在前的至少一次神经网络模型的输出矩阵确定为匹配神经网络模型的输入矩阵，包括：对在前的至少一次所述神经网络模型的输出矩阵进行低通滤波处理；根据各次所述预设驱动数据和低通滤波处理后的所述输出矩阵确定所述神经网络模型对应的输入矩阵。
10、可选地，所述将所述预设驱动数据和输出振动量处理为匹配神经网络模型的输入矩阵和输出矩阵，还包括：对所述输入矩阵进行归一化处理。
11、可选地，所述损失函数包括：其中，j表示损失函数，o1o代表神经元输出，y(i)表示第i次输出振动量，n表示向神经网络模型输入对应输入矩阵的总次数。
12、可选地，所述神经网络模型包括输入层、隐藏层和输出层；所述输入层包括4个神经元，所述隐藏层包括4个神经元，所述输出层包括1个神经元；所述权重参数包括所述输出层各个神经元分别与所述隐藏层各个神经元之间的权重、以及所述隐藏层各个神经元分别与所述输入层各个神经元之间的权重。
13、可选地，所述权重参数的更新过程包括：
14、
15、
16、
17、
18、其中，wkm表示输出层第m个神经元与隐藏层第k个神经元之间的权重，lr表示学习率，j表示损失函数，表示j对wkm求一阶偏导，omo表示输出层第m个神经元的输出，y(cnt)表示第cnt个样本的真实输出，f′(omi)表示神经网络模型的激活函数对omi求导，omi表示输出层未经过激活函数的输出，hko表示隐藏层第k个神经元的输出，wik表示隐藏层第k个神经元与输入层第i个神经元之间的权重，表示j对wik求一阶偏导，f′(hki)表示神经网络模型的激活函数对hki求导，hki表示隐藏层第k个神经元的输入，xi表示输入层第i个神经元的输入。
19、可选地，所述学习率的更新公式包括：lr＝kd/d2_err，其中，kd表示微分项系数，d2_err表示输出层的神经元输出的误差二阶微分项。
20、可选地，所述迭代停止条件包括：迭代次数大于或者等于预设次数、所述输出矩阵对应的误差小于或者等于误差阈值或者输出矩阵对应的误差连续多次变大。
21、本申请还提供一种预测模型构建装置，包括：
22、第一获取模块，用于获取各次预设驱动数据和马达响应各次所述预设驱动数据反馈的输出振动量；
23、处理模块，用于根据各次所述预设驱动数据和在前的至少一次神经网络模型的输出矩阵确定为匹配神经网络模型的输入矩阵；
24、第二获取模块，用于将所述输入矩阵输入神经网络模型，获取所述神经网络模型输出层的神经元输出；
25、第一确定模块，用于根据所述神经元输出和对应的所述输出矩阵确定损失函数；
26、更新模块，用于根据所述损失函数更新所述神经网络模型各层之间的权重参数，根据更新后的模型参数更新所述神经网络模型，返回进入所述第二获取模块执行将所述输入矩阵输入神经网络模型，获取所述神经网络模型输出层的神经元输出的过程，直至达到迭代停止条件；
27、第二确定模块，用于根据达到迭代停止条件时的权重参数确定所述预测模型。
28、本申请还提供一种振动量预测方法，包括：
29、获取用于控制马达的驱动电压；
30、将所述驱动电压输入根据上述任一种预测模型构建方法构建的预测模型，以获取模型预测振动量。
31、可选地，上述振动量预测方法，还包括：对所述模型预测振动量进行反归一化处理，得到所述马达对应的最终预测振动量。
32、本申请还提供一种振动量预测装置，包括：
33、第三获取模块，用于获取用于控制马达的驱动电压；
34、第四获取模块，用于将所述驱动电压输入根据上述任一种预测模型构建装置构建的预测模型，以获取模型预测振动量。
35、本申请还提供一种电子设备，包括处理器和存储介质；所述存储介质上存储有程序代码；所述处理器用于调用所述存储介质存储的程序代码，以执行上述任一种预测模型构建方法或者上述任一种振动量预测方法。
36、本申请提供的上述预测模型构建、振动量预测方法、装置和电子设备，通过获取各次预设驱动数据和马达响应各次预设驱动数据反馈的输出振动量，根据各次预设驱动数据和在前的至少一次神经网络模型的输出矩阵确定为匹配神经网络模型的输入矩阵，将所述输入矩阵输入神经网络模型，获取所述神经网络模型输出层的神经元输出，根据神经元输出和对应的输出振动量确定损失函数，根据损失函数更新神经网络模型各层之间的权重参数，根据更新后的模型参数更新神经网络模型，返回执行将所述输入矩阵输入神经网络模型，获取所述神经网络模型输出层的神经元输出的步骤，直至达到迭代停止条件，根据达到迭代停止条件时的权重参数确定预测模型，所确定的预测模本文档来自技高网...
【技术保护点】
1.一种预测模型构建方法，其特征在于，所述预测模型构建方法包括：
2.根据权利要求1所述的预测模型构建方法，其特征在于，所述根据各次所述预设驱动数据和在前的至少一次神经网络模型的输出矩阵确定为匹配神经网络模型的输入矩阵，包括：
3.根据权利要求2所述的预测模型构建方法，其特征在于，所述将所述预设驱动数据和输出振动量处理为匹配神经网络模型的输入矩阵和输出矩阵，还包括：
4.根据权利要求1所述的预测模型构建方法，其特征在于，所述损失函数包括：其中，J表示损失函数，O1o代表神经元输出，y(i)表示第i次输出振动量，N表示向神经网络模型输入对应输入矩阵的总次数。
5.根据权利要求1所述的预测模型构建方法，其特征在于，所述神经网络模型包括输入层、隐藏层和输出层；所述输入层包括4个神经元，所述隐藏层包括4个神经元，所述输出层包括1个神经元；所述权重参数包括所述输出层各个神经元分别与所述隐藏层各个神经元之间的权重、以及所述隐藏层各个神经元分别与所述输入层各个神经元之间的权重。
6.根据权利要求5所述的预测模型构建方法，其特征在于，所
7.根据权利要求6所述的预测模型构建方法，其特征在于，所述学习率的更新公式包括：
8.根据权利要求1所述的预测模型构建方法，其特征在于，所述迭代停止条件包括：迭代次数大于或者等于预设次数、所述输出矩阵对应的误差小于或者等于误差阈值或者输出矩阵对应的误差连续多次变大。
9.一种预测模型构建装置，其特征在于，所述预测模型构建装置包括：
10.一种振动量预测方法，其特征在于，所述振动量预测方法包括：
11.根据权利要求10所述的振动量预测方法，其特征在于，还包括：
12.一种振动量预测装置，其特征在于，所述振动量预测装置包括：
13.一种电子设备，其特征在于，包括处理器和存储介质；所述存储介质上存储有程序代码；所述处理器用于调用所述存储介质存储的程序代码，以执行权利要求1至8任一项所述的预测模型构建方法或者权利要求9或10所述的振动量预测方法。
...【技术特征摘要】
1.一种预测模型构建方法，其特征在于，所述预测模型构建方法包括：
2.根据权利要求1所述的预测模型构建方法，其特征在于，所述根据各次所述预设驱动数据和在前的至少一次神经网络模型的输出矩阵确定为匹配神经网络模型的输入矩阵，包括：
3.根据权利要求2所述的预测模型构建方法，其特征在于，所述将所述预设驱动数据和输出振动量处理为匹配神经网络模型的输入矩阵和输出矩阵，还包括：
4.根据权利要求1所述的预测模型构建方法，其特征在于，所述损失函数包括：其中，j表示损失函数，o1o代表神经元输出，y(i)表示第i次输出振动量，n表示向神经网络模型输入对应输入矩阵的总次数。
5.根据权利要求1所述的预测模型构建方法，其特征在于，所述神经网络模型包括输入层、隐藏层和输出层；所述输入层包括4个神经元，所述隐藏层包括4个神经元，所述输出层包括1个神经元；所述权重参数包括所述输出层各个神经元分别与所述隐藏层各个神经元之间的权重、以及所述隐藏层各个神经元分别与所述输入层各个神经元之间的权重。
【专利技术属性】
技术研发人员：童小彬，缪丽林，
申请(专利权)人：上海艾为电子技术股份有限公司，
类型：发明
国别省市：
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。