[發(fā)明專利]一種超高次諧波源建模方法

有效

• 申請?zhí)枺?/td>: 201910494902.8
• 申請日: 2019-06-06
• 公開（公告）號: CN110210152B
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計）人: 張逸;阮正鑫;方鍵;邵振國;張嫣
• 申請（專利權(quán)）人: 福州大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08;G06F113/04
• 代理公司: 福州元創(chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 錢莉;蔡學(xué)俊

1.一種超高次諧波源建模方法，其特征在于：包括以下步驟：

步驟S1：提供任一時間段內(nèi)的不同功率下的超高次諧波電流時間序列數(shù)據(jù)；

步驟S2：利用神經(jīng)網(wǎng)絡(luò)算法對所述不同功率下的超高次諧波電流時間序列數(shù)據(jù)進行訓(xùn)練；

步驟S3：利用神經(jīng)網(wǎng)絡(luò)算法生成不同功率下的各次超高次諧波電流幅值的預(yù)測數(shù)據(jù)；

步驟S4：將步驟S3生成的預(yù)測數(shù)據(jù)和實測值即步驟S1中所提到的不同功率下的超高次諧波電流時間序列數(shù)據(jù)進行誤差計算，根據(jù)誤差計算結(jié)果，選取誤差最小的性能評價系數(shù)R²，選擇給定計算精度ε下的R²值擬合曲線作為擬合結(jié)果，用以獲得超高次諧波源輸出特性；

步驟S5：對步驟S4的最終擬合結(jié)果進行分析判斷，若得到的預(yù)測值與實測值的誤差在0.0001-0.000001之內(nèi)，則得到了訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輸入超高次諧波源的功率值以及頻率，該模型輸出該功率下的所要求頻率的超高次諧波源的輸出電流幅值預(yù)測值；

其中，所述步驟S4具體包括以下步驟：

步驟S41：若算法結(jié)束，對神經(jīng)網(wǎng)絡(luò)算法結(jié)果的輸出數(shù)據(jù)進行反歸一化至真實值；

步驟S42：對超高次諧波源電流幅值的預(yù)測值進行評價，根據(jù)神經(jīng)網(wǎng)絡(luò)性能評價系數(shù)R²：

為第i個數(shù)據(jù)的超高次諧波電流幅值預(yù)測值；y_i為第i個數(shù)據(jù)的超高次諧波電流幅值真實值；N為數(shù)據(jù)個數(shù)來選擇最終擬合結(jié)果曲線進而獲得超高次諧波源輸出特性；對于神經(jīng)網(wǎng)絡(luò)性能評價系數(shù)R²的選值，R²值越接近1，其訓(xùn)練的效果越好，模型擬合的更好，即能得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；故選取給定計算精度ε下的R²值的擬合曲線作為擬合結(jié)果，進而獲得超高次諧波源輸出特性；

其中，所述步驟S5具體包括以下步驟：

步驟S51：對步驟S4中已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)超高次諧波源的功率和超高次諧波頻率

步驟S52:該訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輸出數(shù)據(jù)即超高次諧波源在步驟S51中指定功率下的步驟S51中輸入的特定頻率的預(yù)測電流幅值；

步驟S53：獲得預(yù)測超高次諧波源輸出特性。

2.根據(jù)權(quán)利要求1所述的一種超高次諧波源建模方法，其特征在于：所述步驟S2具體包括以下步驟：

步驟S21：提供不同功率下不同頻率對應(yīng)的超高次諧波電流值數(shù)據(jù)，包括：輸入層的輸入向量、隱含層輸入向量隱含層輸出向量輸出層輸入向量和輸出層的輸出向量；

其中，輸入層的輸入向量包括超高次諧波源的功率超高次諧波頻率以及超高次諧波源實測電流幅值

輸出層的輸出向量包括超高次諧波源的功率超高次諧波頻率以及超高次諧波源預(yù)測電流幅值

進行神經(jīng)網(wǎng)絡(luò)模型的建立，輸入層有2個節(jié)點，輸出層1個節(jié)點，利用經(jīng)驗公式：s＝2n+1，其中n為輸入層節(jié)點數(shù)目，算出隱含層結(jié)點數(shù)為5個；在隱含層為5個節(jié)點數(shù)上逐漸增加節(jié)點數(shù)，增加到10個時再增加節(jié)點數(shù)網(wǎng)絡(luò)誤差不再減少，此時節(jié)點選擇數(shù)最優(yōu)；

步驟S22：對輸入層與隱含層的連接權(quán)值ω_ih、隱含層與輸出層的連接權(quán)值ω_ho、隱含層各神經(jīng)元的閾值b_h、輸出層各神經(jīng)元的閾值b_o分別令一個[-1，1]內(nèi)的隨機數(shù)，并令誤差函數(shù)為：給定計算精度值ε范圍為0.0001-0.000001作為訓(xùn)練終止條件、最大學(xué)習(xí)次數(shù)M范圍為1000-1500；學(xué)習(xí)速率選取范圍為0.01-0.8；

步驟S23：采用S型激活函數(shù)對步驟S21中的不同功率下不同頻率對應(yīng)的超高次諧波電流值數(shù)據(jù)進行歸一化至[0，1]；

步驟S24：隨機選取一組輸入樣本即步驟S21中的不同功率下不同頻率對應(yīng)的超高次諧波電流值數(shù)據(jù)x(k)以及對應(yīng)的期望輸出d(k)；

其中，所述超高次諧波電流值數(shù)據(jù)x(k)包括超高次諧波源的功率超高次諧波頻率以及超高次諧波源實測電流幅值

步驟S25：計算隱含層各神經(jīng)元的輸入hi_h(k),然后用輸入以及激活函數(shù)計算隱含層各神經(jīng)元的輸出ho_h(k)：

式中，ω_ih為輸入層各神經(jīng)元指向隱含層各神經(jīng)元的權(quán)重、x_i(k)為第k組數(shù)據(jù)中的第i個神經(jīng)元上的數(shù)據(jù)，b_h為隱含層各神經(jīng)元的閾值；

隱含層各神經(jīng)元的輸入hi_h(k)經(jīng)過Sigmoid型函數(shù)：

的映射得出隱含層各神經(jīng)元的輸出ho_h(k)

ho_h(k)＝f(hi_h(k))

步驟S26：計算輸出層各神經(jīng)元的輸入yi_o(k),然后用輸入以及激活函數(shù)計算輸出層各神經(jīng)元的輸出yo_o(k)：

在式子中，ω_ho為隱含層各神經(jīng)元指向輸出層各神經(jīng)元的權(quán)重、ho_h(k)為隱含層各神經(jīng)元的輸出、b_o為輸出層中各神經(jīng)元的閾值；

輸出層各神經(jīng)元的輸入yi_o(k)經(jīng)過Sigmoid型函數(shù)：的映射得出輸出層各神經(jīng)元的輸出yo_o(k)

yo_o(k)＝f(yi_o(k))

步驟S27：計算誤差函數(shù)對輸出層各神經(jīng)元的偏導(dǎo)數(shù)δ_o(k)：

δ_o(k)＝(d_o(k)-yo_o(k))yo_o(k)(1-yo_o(k))

步驟S28：利用隱含層到輸出層的連接權(quán)值ω_ho(k)、誤差函數(shù)對輸出層各神經(jīng)元的偏導(dǎo)數(shù)δ_o(k)和隱含層的輸出ho_h(k)計算誤差函數(shù)對隱含層各神經(jīng)元的偏導(dǎo)數(shù)δ_h(k)：

步驟S29：利用誤差函數(shù)對輸出層各神經(jīng)元的偏導(dǎo)數(shù)δ_o(k)和隱含層各神經(jīng)元的輸出ho_h(k)來修正連接權(quán)值ω_ho(k)和閾值b_o(k)：

為調(diào)整后的連接權(quán)值，為調(diào)整前的連接權(quán)值，為調(diào)整后的閾值，為調(diào)整前的閾值，η為學(xué)習(xí)率，在(0,1)之間取值；

步驟S210：利用誤差函數(shù)對隱含層各神經(jīng)元的偏導(dǎo)數(shù)δ_h(k)和輸入層各神經(jīng)元的輸入x_i(k)修正連接權(quán)和閾值；

為調(diào)整后的連接權(quán)值，為調(diào)整前的連接權(quán)值，為調(diào)整后的閾值，為調(diào)整前的閾值，η為學(xué)習(xí)率，在(0,1)之間取值；

步驟S211：根據(jù)輸出層輸出向量即包括超高次諧波源的功率超高次諧波頻率以及超高次諧波源預(yù)測電流幅值與對應(yīng)的期望輸出d_o(k)計算全局誤差E：

步驟S212：判斷網(wǎng)絡(luò)誤差是否滿足要求，當(dāng)E＜ε或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)M，則算法結(jié)束；否則，隨機選取下一個學(xué)習(xí)樣本及對應(yīng)的期望輸出，返回到步驟S24，進入下一輪的學(xué)習(xí)過程。