[发明专利]一种基于确定学习和时空LZ复杂度的动态特征提取方法

摘要

本发明公开了一种基于确定学习和时空LZ复杂度的动态特征提取方法，所述方法包括以下步骤沿被测量系统的状态轨迹，采用确定学习算法对系统内在动态进行局部准确建模和学习；将学习得到的系统内在动态保存到常值RBF神经网络中，组成系统的动力学轨迹；在Lempel‑Ziv复杂度基础上，建立时间LZ复杂度和空间LZ复杂度两个特征指标组成时空LZ复杂度；使用时空LZ复杂度对得到的动力学轨迹进行复杂度特征提取，从时间域和空间域上进行复杂度表征。本发明方法适用于对未知的复杂非线性系统进行动态特征提取，可以对未知的系统状态轨迹进行学习得到动力学轨迹，从系统内在动态的角度进行复杂度表征，准确且敏感地反映出系统所处的实际状态。

主权项

一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于，所述方法包括以下步骤：(1)系统内在动态的学习：采用径向基神经网络，沿被测量系的状态轨迹对系统动态进行学习训练，所述学习训练采用基于Lyapunov的学习方法并根据确定学习理论，实现径向基神经网络的权值收敛和径向基神经网络对系统当前状态的内部动态逼近；(2)获取动力学轨迹：将步骤(1)中径向基神经网络权值收敛后的一段时间内各权值的均值作为学习结果进行保存，组成系统的动力学轨迹；(3)建立时空LZ复杂度：使用常规的Lempel‑Ziv复杂度算法，对系统产生的数据序列提取到的复杂度定义为时间LZ复杂度，对系统数据序列的方向导数提取到的复杂度定义为空间LZ复杂度，其中方向导数数据序列反映了系统动力学轨迹在空间上的变化速率；(4)动态特征提取：利用步骤(3)中的时空LZ复杂度，对步骤(2)中得到的系统动力学轨迹进行复杂度特征提取，得到系统每一个状态上时间LZ复杂度指标和空间LZ复杂度指标，然后通过均方根值，得到有效的系统时空LZ复杂度，从而在时间域和空间域上对非线性系统进行动态特征提取。