[發明專利]一種基于確定學習和時空LZ復雜度的動態特征提取方法

在審

• 申請號: 201710844582.5
• 申請日: 2017-09-19
• 公開（公告）號: CN107657317A
• 公開（公告）日: 2018-02-02
• 發明（設計）人: 王聰;王乾
• 申請（專利權）人: 華南理工大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/00
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 李斌

1.一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，其特征在于，所述方法包括以下步驟：

(1)系統內在動態的學習：采用徑向基神經網絡，沿被測量系的狀態軌跡對系統動態進行學習訓練，所述學習訓練采用基于Lyapunov的學習方法并根據確定學習理論，實現徑向基神經網絡的權值收斂和徑向基神經網絡對系統當前狀態的內部動態逼近；

(2)獲取動力學軌跡：將步驟(1)中徑向基神經網絡權值收斂后的一段時間內各權值的均值作為學習結果進行保存，組成系統的動力學軌跡；

(3)建立時空LZ復雜度：使用常規的Lempel-Ziv復雜度算法，對系統產生的數據序列提取到的復雜度定義為時間LZ復雜度，對系統數據序列的方向導數提取到的復雜度定義為空間LZ復雜度，其中方向導數數據序列反映了系統動力學軌跡在空間上的變化速率；

(4)動態特征提取：利用步驟(3)中的時空LZ復雜度，對步驟(2)中得到的系統動力學軌跡進行復雜度特征提取，得到系統每一個狀態上時間LZ復雜度指標和空間LZ復雜度指標，然后通過均方根值，得到有效的系統時空LZ復雜度，從而在時間域和空間域上對非線性系統進行動態特征提取。

2.根據權利要求1所述的一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，其特征在于：步驟(1)中對系統當前狀態的內部動態逼近有兩種情況，一種是當系統軌跡的徑向基神經網絡的神經元滿足持續激勵條件，其權值收斂到最優值，沿系統軌跡的內部動態進行逼近；另一種是遠離系統軌跡的內部動態，其徑向基神經網絡的神經元不受激勵，其權值基本為零，因而系統軌跡的內部動態不被逼近。

3.根據權利要求1所述的一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，其特征在于：步驟(2)中所述系統的動力學軌跡是通過確定學習理論對系統的內在動態進行準確建模，將系統的狀態軌跡帶入到建模結果中得到的，并取步驟(1)中徑向基神經網絡權值收斂一段時間后的平均值作為系統內在動態的徑向基神經網絡權值。

4.根據權利要求1所述的一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，其特征在于：步驟(3)中所述時空LZ復雜度反映了一個數據序列隨著序列長度的增加出現新模式的速率，能夠定量分析復雜數據序列的有序性，復雜度值越大代表越復雜、無序、不規則的動態系統，復雜度值越小代表動態系統越規則、有序。

5.根據權利要求1所述的一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，其特征在于：步驟(3)中所述時空LZ復雜度包含時間LZ復雜度和空間LZ復雜度兩個指標,是指在時間域和空間域上對非線性系統的動力學軌跡進行復雜度特征提取，對系統的當前狀態進行復雜度表征。

6.根據權利要求1所述的一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，其特征在于：步驟(3)中所述的時間LZ復雜度是經過常規Lempel-Ziv算法得到的，空間LZ復雜度是對系統產生的數據進行一次變換，得到方向導數數據序列，然后使用Lempel-Ziv算法得到的。

7.根據權利要求1所述的一種基于確定學習和時空LZ復雜度的非線性系統動態特征提取方法，其特征在于：步驟(4)中所述動態特征提取是對經過確定學習算法得到的系統動力學軌跡，使用時空LZ復雜度算法，計算得到其時間LZ復雜度和空間LZ復雜度，在時間和空間上表征出系統當前的復雜程度。