[发明专利]一种异物识别模型的构建方法、装置及异物识别方法

权利要求书

1.一种异物识别模型的构建方法，其特征在于，包括：

获取仿真训练集；其中，所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果，每一所述仿真训练样本内包含预设数量的连续的发射功率－接收功率对；在无线充电系统的耦合区域内随机放置金属样本或不放置金属样本；控制发射系统采用预设时长且每秒以预设幅度增强的发射功率；采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个所述仿真训练样本；

将所述仿真训练集输入至初始神经网络模型进行迭代训练，直至达到预设训练次数或符合预设输出，得到异物识别模型；其中，所述初始神经网络模型为elman循环神经网络；

在对所述初始神经网络进行迭代训练时，初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子；

将更新位置后的所述粒子作为权值输入至所述elman循环神经网络，以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，当所述训练结果符合预设输出时，得到所述异物识别模型；

当所述训练结果不符合预设输出时，根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，并将更新位置后的粒子作为权值输入至所述elman循环神经网络，直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数，得到所述异物识别模型。

2.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述初始化预设维度的粒子，具体为：

根据所述elman循环神经网络各个层级的神经元数量确定输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值；其中，所述elman循环神经网络包含输入层、隐含层、输出层；

根据所述权值和偏置值的数量初始化对应维数的粒子。

3.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述根据预设粒子群公式对所述粒子进行全局寻优，输出更新位置后的粒子，具体包括：

其中，w为速度的惯性权重；c₁为粒子的个体学习因子；为到第d次迭代时第i个粒子经过的最好的位置c₂为粒子的社会学习因子；为第d次迭代时所有粒子经过的最好的位置；为第d次迭代时第i个粒子的速度；w、c₁、r₁、c₂、r₂为自定义参数。

4.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算，输出一次训练结果，具体包括：

基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值，依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵；在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算，输出第一运算结果；

将所述第一运算结果与所述第二矩阵进行矩阵加法运算，输出第二运算结果；

将所述第二运算结果与所述第三矩阵进行矩阵乘法运算，输出第三运算结果；

将所述第三运算结果与所述第四矩阵进行矩阵加法运算，输出本次训练结果。

5.如权利要求2所述的一种异物识别模型的构建方法，其特征在于，所述根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优，还包括根据预设公式更新下一次全局寻优时所述粒子群公式中的惯性权重，具体为：

其中，‖‖为范数运算符，A为所述elman循环神经网络进行预设运算后输出的前一次训练结果；distance 1为当前粒子与最优粒子的距离；distance 2为当前粒子与次最优粒子的距离。

6.如权利要求1所述的一种异物识别模型的构建方法，其特征在于，所述异物识别模型的构建方法还包括根据预设条件在全局寻优时自适应调节粒子移动步伐，具体为：

将本次训练结果与采用的仿真训练样本对应的异物识别结果进行均方差运算，当均方差运算结果大于预设范围时调整全局寻优时的粒子移动步伐。