[發明專利]一種混沌RBF神經網絡汽油機進氣流量預測方法

在審

• 申請號: 201711025373.4
• 申請日: 2017-10-27
• 公開（公告）號: CN108319739A
• 公開（公告）日: 2018-07-24
• 發明（設計）人: 徐東輝;王霏;徐新仁
• 申請（專利權）人: 宜春學院
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04;G06Q10/04
• 代理公司: 南昌贛西專利代理事務所(普通合伙) 36121
• 代理人: 謝年鳳

1.一種混沌RBF神經網絡汽油機進氣流量預測方法，其特征在于：包括以下步驟：

步驟1：計算進氣流量的Lyapunov指數以及用功率譜方法判別汽油機的所述進氣流量的混沌性；

步驟2：根據C-C方法計算所述進氣流量的混沌時間序列相空間重構的最小嵌入維m，m＜2D+1，計算時間延遲τ；

步驟3：構造所述汽油機的所述進氣流量的混沌優化RBF神經網絡預測模型；為實現RBF神經網絡的快速收斂性，必須使所述RBF神經網絡的輸出層連接權值w_i及隱含層基函數的中心值c_i達到全局最優；為此在試驗仿真時利用混沌優化算法的遍歷性確定所述RBF神經網絡的所述輸出層連接權值w_i及所述隱含層基函數的所述中心值c_i，使所述RBF神經網絡快速達到全局最優，加快了所述RBF神經網絡收斂速度，得到混沌優化RBF神經網絡；

步驟4：所述混沌優化RBF神經網絡的訓練，使目標函數J取最小；

步驟5：確定試驗數據采集方案，對采集的試驗數據進行歸一化處理，然后對所述試驗數據進行相空間重構，利用經過所述步驟4訓練好的所述混沌優化RBF神經網絡預測模型對重構后的所述試驗數據進行訓練與預測仿真，預測結果與實際值進行對比分析。

2.根據權利要求1所述的混沌RBF神經網絡汽油機進氣流量預測方法，其特征在于：所述步驟3中的優化步驟，包括以下步驟：

第1步：初始化，給各標志、變量設置初值；設置優化搜索中混沌變量迭代標志k＝0，細搜索標志r＝0；初次迭代的所述混沌變量當前得到的最優所述混沌變量:z_i(0)為區間兩個相異的初值，且z_i(0)≠0,0.25,0.5,0.75,1；i＝1,2,…,n；當前最優解f^*(z₁,z₂,…z_n)設為一個數值；

第2步：將映射到優化變量取值區間：

第3步：若則

第4步：

第5步：重復所述第2步、所述第3步、所述第4步,直到f^*(z₁,z₂,…,z_n)保持不變為止；

第6步：尺度變換：

第7步：作如下還原處理：

第8步：把與的線性組合作為新的所述混沌變量：

(1)將映射到優化變量取值區間：

(2)若則

(3)k＝k+1；

第9步：重復所述第8步直到f^*(z₁,z₂,…,z_n)保持不變為止：

第10步：r+r+1，減小δ的值,重復所述第6步至所述第9步若干次，當f^*(z₁,z₂,…,z_n)保持不變后結束尋優計算。

此時得到的即為最優變量，f^*(z₁,z₂,…,z_n)為最優解，對應的(a,b)^T即為混沌優化RBF神經網絡預測模型的參數。

3.根據權利要求1所述的混沌RBF神經網絡汽油機進氣流量預測方法，其特征在于：所述步驟4包括以下訓練過程：步驟A：初始化；步驟B：進行第一次載波；步驟C：進行迭代搜索；步驟D：若步驟C經過若干步迭代搜索后，J^*值最后保持不變，則按所述步驟B方法進行第二次載波，x″_i,n+1為所述第二次載波用于優化的混沌變量，不滿足則返回所述步驟C；步驟E：繼續迭代搜索；步驟F：若滿足條件，則終止搜索，得到最優解J^*；不滿足則返回所述步驟E繼續迭代搜索。