[发明专利]一种基于循环神经网络的动态模型辨识方法及系统

权利要求书

1.一种基于循环神经网络的动态模型辨识系统，其特征在于，该系统包括：动态模型辨识模块、循环神经网络模型转化成传递函数模型的模块、循环神经网络转化成状态空间模型以及循环神经网络的非线性化模块，所述动态模型辨识模块包括正向计算模块、误差计算模块和反向传播计算模块；

其中，正向传播计算模块的输入包括历史输入输出信息，输出为模型的预测输出；正向传播计算模块的输出和实际输出作为误差计算模块的输入，输出预测值与实际值之间的误差；反向传播计算模块的输入为误差计算模块的输出，输出为循环神经网络各参数的该变量。

2.根据权利要求1所述的一种基于循环神经网络的动态模型辨识系统，其特征在于，所述正向计算模块为：

设x(k)＝U₁u(k)+U₂y(k)(1)；

式中，U₁为输入到隐藏层的权值矩阵，U₂为输出到隐藏层的权值矩阵；u表示输入，y表示输出；k表示当前时刻，u(k)、y(k)分别表示当前时刻的输入、输出；x(k)为关于U₁、U₂、u(k)、x(k)的多项式。

则线性核函数的循环神经网络输出可以表示为：

y(k)=V((W...(W(Wx(k-N)+x(k-N-1))+...+x(k-1)+U1u(k))=VWNx(k-N)+VWN-1x(k-N+1)+...+VWx(k-1)+VU1ut=VWN(U1u(k-N)+U2y(k-N))+...+VW(U1u(k-1)+U2y(k-1))+VU1u(k)---(2);]]>

式中，V为循环神经网络隐藏层到输出层的权值矩阵，W为隐藏层到隐藏层的权值矩阵，U₁为输入到隐藏层的权值矩阵，U₂为输出到隐藏层的权值矩阵；u表示输入，y表示输出；k表示当前时刻，u(k)、y(k)分别表示当前时刻的输入、输出；N表示前N个采样时刻；u(k-N)、y(k-N)分别表示前N个时刻的输入输出；W^N表示W的N次方幂；

所述误差计算模块为：

c=Σk=1M(yr-y(k))2---(3);]]>

其中，c表示损失函数，y_r表示实际的输出值，y(k)表示模型k时刻的输出值；

所述反向传播模块为：

{W=W-▿cWηV=V-▿cVηU1=U1-▿cU1ηU2=U2-▿cU2η---(4);]]>

式中，表示损失函数对W的梯度，表示损失函数对V的梯度，表示损失函数对U₁的梯度，表示损失函数对U₂的梯度，η表示步长。