CN107991878A - 一种基于深度信念网络的混沌追踪控制方法 - Google Patents

一种基于深度信念网络的混沌追踪控制方法 Download PDF

Info

Publication number
CN107991878A
CN107991878A CN201711383691.8A CN201711383691A CN107991878A CN 107991878 A CN107991878 A CN 107991878A CN 201711383691 A CN201711383691 A CN 201711383691A CN 107991878 A CN107991878 A CN 107991878A
Authority
CN
China
Prior art keywords
chaos
belief network
depth belief
boltzmann machine
limited boltzmann
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711383691.8A
Other languages
English (en)
Inventor
易灵芝
肖伟红
王彬任
张成董
刘颖南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201711383691.8A priority Critical patent/CN107991878A/zh
Publication of CN107991878A publication Critical patent/CN107991878A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度信念网络（DBN）的混沌追踪控制方法。它包括以下步骤：选取样本数据采样时间；采用四阶龙格‑库塔法获取超混沌系统样本数据；将训练数据送进深度信念网络，训练第一个受限玻尔兹曼机（RBM）；固定好第一个受限玻尔兹曼机的权重和偏移量，然后使用其隐性神经元的状态，作为第二个受限玻尔兹曼机的输入向量，训练好第二个受限玻尔兹曼机；计算实际输出和理论输出的误差，采用梯度下降法进行优化；将输出的拟合函数和追踪参考信号组合成一个控制器对混沌系统进行控制。本发明消除了进行混沌控制时系统数学模型必须已知的局限性，可以对任意信号进行追踪，同时也适用于高维度的混沌系统。

Description

一种基于深度信念网络的混沌追踪控制方法
技术领域
本发明涉及一种混沌追踪控制方法，特别涉及一种基于深度信念网络的超混沌追踪控制方法。
背景技术
混沌现象是指在确定系统中出现的一种貌似无规律、类似随机的现象，是自然界普遍存在的复杂运动形式。但在通常情况下，混沌或许是一种不良现象，它可能导致振荡或不规则操作，导致系统完全崩溃，因此混沌控制就成了混沌应用的关键。常见的控制方法有OGY方法、线性和非线性反馈方法、自适应方法，但是这些方法都存在一定的问题，如进行混沌控制时系统数学模型必须已知，对于高维系统控制效果不佳。
发明内容
为了解决传统混沌控制方法存在的技术问题，本发明提供了一种基于深度信念网络的混沌追踪控制方法。
本发明解决上述技术问题的技术方案是：
选取样本数据采样时间，采用四阶龙格-库塔法获取混沌系统样本数据；
将训练数据送进深度信念网络，训练第一个受限玻尔兹曼机；
固定好第一个受限玻尔兹曼机的权重和偏移量，然后使用其隐性神经元的状态，作为第二个受限玻尔兹曼机的输入向量，训练好第二个受限玻尔兹曼机；
计算实际输出和理论输出的误差，采用梯度下降法进行优化，将输出的拟合函数和追踪参考信号组合成一个控制器对混沌系统进行控制。
本发明的技术效果在于：本发明消除了进行混沌控制时系统数学模型必须已知的局限性，可以对任意信号进行追踪，同时也适用于高维的混沌系统。
附图说明
图1是本发明中深度信念网络的模型结构。
图2是本发明中控制方法的结构图。
具体实施方式
下面结合附图，对本发明作进一步的详细说明。
如图1所示，经典深度信念网络结构是由若干层受限波尔茨曼机和一层 BP 组成的一种深层神经网络。一个受限波尔茨曼机只有两层神经元，一层叫做显层，由显元组成，用于输入训练数据；另一层叫做隐层，由隐元组成，用作特征检测器。受限波尔茨曼机显层和隐层内部的神经元都没有互连，只有层间的神经元有对称的连接线。
其中,代表显层，代表第一二三层的隐层。每个隐元的激励值为：
（1）
式中，，， 代表从第 个显元到第个隐元的权重，代表显元的个数，代表隐元的个数，为附给显层的输入数据。
如图2所示，本发明的控制过程如下：
初始化参考：参考信号 、超混沌系统的样本数据总量m，神经元层数n以及神经元数量N，每一次训练送入的数据数量M，训练DBN的迭代次数P，训练DBN中每一个RBM的迭代次数 。
获取训练和测试样本 .
训练DBN中第一个RBM，将训练数据符给显层 ，计算它使隐层神经元被开启的概率
（2）
其中上标用于区分不同向量，下标j代表维度。
从计算出的概率分布中抽取一个样本
（3）
用 重构显层，同时抽取显层的一个样本
再次用重构之后的显层神经元计算出隐层神经元被开启的概率
(4)
更新权重W, b, c
(5)
训练好第一个RBM后，固定好第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量
重复训练好第二个RBM，并计算第二个RBM的输出 。
计算输出误差MSE
（6）
用梯度下降法对误差函数进行优化，在反向传播回每一层进行参数微调。
输出总拟合函数，并将其与跟踪参考信号组合成一个控制器对混沌系统进行控制。

Claims (4)

1.一种基于深度信念网络（DBN）的混沌追踪控制方法，
它包括以下步骤：
选取样本数据采样时间，采用四阶龙格-库塔法获取混沌系统样本数据；
将训练数据送进深度信念网络，训练第一个受限玻尔兹曼机(RBM)；
固定好第一个受限玻尔兹曼机的权重和偏移量，然后使用其隐性神经元的状态，作为第二个受限玻尔兹曼机的输入向量，训练好第二个受限玻尔兹曼机；
计算实际输出和理论输出的误差，采用梯度下降法进行优化，将输出的拟合函数和追踪参考信号组合成一个控制器对混沌系统进行控制。
2.根据权利要求1所述的基于深度信念网络的混沌追踪控制方法，所述混沌方程为：
（1）
其中，代表m维混沌系统方程，代表时刻系统的状态变量，代表时刻系统第m维方向上的状态变量，为m个方向上的系统方程，k代表系统参数。
3.根据权利要求1所述的基于深度信念网络的混沌追踪控制方法，所述控制器为： （2）
其中为经过深度信念网络进行拟合的函数，为时刻系统的参考信号，为系统的收敛参数。
4.根据权利要求1所述的基于深度信念网络的混沌追踪控制方法，所述实际输出和理论输出的误差为：
（3）
其中，为训练样本总数，为理论输出，为网络的实际输出。
CN201711383691.8A 2017-12-20 2017-12-20 一种基于深度信念网络的混沌追踪控制方法 Pending CN107991878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711383691.8A CN107991878A (zh) 2017-12-20 2017-12-20 一种基于深度信念网络的混沌追踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711383691.8A CN107991878A (zh) 2017-12-20 2017-12-20 一种基于深度信念网络的混沌追踪控制方法

Publications (1)

Publication Number Publication Date
CN107991878A true CN107991878A (zh) 2018-05-04

Family

ID=62039154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711383691.8A Pending CN107991878A (zh) 2017-12-20 2017-12-20 一种基于深度信念网络的混沌追踪控制方法

Country Status (1)

Country Link
CN (1) CN107991878A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711543A (zh) * 2018-12-30 2019-05-03 南京大学 一种可重构的深度置信网络实现系统
CN112766702A (zh) * 2021-01-13 2021-05-07 广东能源集团科学技术研究院有限公司 一种基于深度置信网络的分布式电站故障分析方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732249A (zh) * 2015-03-25 2015-06-24 武汉大学 基于流行学习和混沌粒子群的深度学习图像分类方法
CN104966093A (zh) * 2015-05-25 2015-10-07 苏州珂锐铁电气科技有限公司 一种基于深度神经网络的动态纹理识别方法
US20150286191A1 (en) * 2014-04-03 2015-10-08 Tarek A. El Dokor Systems and methods for global adaptation of an implicit gesture control system
US20160034814A1 (en) * 2014-08-01 2016-02-04 University Of Southern California Noise-boosted back propagation and deep learning neural networks
CN105404865A (zh) * 2015-11-16 2016-03-16 杭州电子科技大学 基于概率态受限玻尔兹曼机级联的人脸检测方法
CN106503803A (zh) * 2016-10-31 2017-03-15 天津大学 一种基于拟牛顿方法的受限玻尔兹曼机迭代映射训练方法
CN106685290A (zh) * 2017-03-15 2017-05-17 湘潭大学 基于混沌分子动理论算法永磁同步电机转速控制器参数自整定的方法
CN107423814A (zh) * 2017-07-31 2017-12-01 南昌航空大学 一种采用深度卷积神经网络建立动态网络模型的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150286191A1 (en) * 2014-04-03 2015-10-08 Tarek A. El Dokor Systems and methods for global adaptation of an implicit gesture control system
US20160034814A1 (en) * 2014-08-01 2016-02-04 University Of Southern California Noise-boosted back propagation and deep learning neural networks
CN104732249A (zh) * 2015-03-25 2015-06-24 武汉大学 基于流行学习和混沌粒子群的深度学习图像分类方法
CN104966093A (zh) * 2015-05-25 2015-10-07 苏州珂锐铁电气科技有限公司 一种基于深度神经网络的动态纹理识别方法
CN105404865A (zh) * 2015-11-16 2016-03-16 杭州电子科技大学 基于概率态受限玻尔兹曼机级联的人脸检测方法
CN106503803A (zh) * 2016-10-31 2017-03-15 天津大学 一种基于拟牛顿方法的受限玻尔兹曼机迭代映射训练方法
CN106685290A (zh) * 2017-03-15 2017-05-17 湘潭大学 基于混沌分子动理论算法永磁同步电机转速控制器参数自整定的方法
CN107423814A (zh) * 2017-07-31 2017-12-01 南昌航空大学 一种采用深度卷积神经网络建立动态网络模型的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TAKASHI KUREMOTO等: "Forecast chaotic time series data by DBNs", 《2014 7TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 *
寇茜茜等: "基于RBM的神经网络时间序列预测", 《数学的实践与认识》 *
赵冬斌等: "深度强化学习综述:兼论计算机围棋的发展", 《控制理论与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711543A (zh) * 2018-12-30 2019-05-03 南京大学 一种可重构的深度置信网络实现系统
CN112766702A (zh) * 2021-01-13 2021-05-07 广东能源集团科学技术研究院有限公司 一种基于深度置信网络的分布式电站故障分析方法及系统

Similar Documents

Publication Publication Date Title
Werner et al. Analyzing radial flow features in p-Pb and p-p collisions at several TeV by studying identified-particle production with the event generator EPOS3
Peng et al. Distributed model reference adaptive control for cooperative tracking of uncertain dynamical multi‐agent systems
CN110244747A (zh) 一种基于执行器故障和饱和的异构车队容错控制方法
CN108536017A (zh) 基于动态反馈控制的随机分布互联系统协作容错控制方法
JP2010511250A5 (zh)
CN107991878A (zh) 一种基于深度信念网络的混沌追踪控制方法
Homel et al. Controlling the onset of numerical fracture in parallelized implementations of the material point method (MPM) with convective particle domain interpolation (CPDI) domain scaling
Jabbari Asl et al. Bounded‐input prescribed performance control of uncertain Euler–Lagrange systems
CN109116739A (zh) 刚性航天器多反作用飞轮故障下的诊断及补偿方法
CN106687871B (zh) 用于控制器适应的系统和方法
Al Younes et al. Sensor fault detection and isolation in the quadrotor vehicle using nonlinear identity observer approach
Wang et al. Robust integral of sign of error‐based distributed flocking control of double‐integrator multi‐agent systems with a varying virtual leader
Modares et al. Static output‐feedback synchronisation of multi‐agent systems: a secure and unified approach
Marino et al. Spatiotemporal description of long-delayed systems: Ruling the dynamics
Cheng et al. Event‐triggered leader‐follower tracking control for interconnected systems
Shao et al. Fault identification in industrial processes using an integrated approach of neural network and analysis of variance
Cheng et al. On dynamics and Nash equilibriums of networked games
Wang et al. Output Feedback Fractional‐Order Nonsingular Terminal Sliding Mode Control of Underwater Remotely Operated Vehicles
Krokavec et al. An enhanced approach to actuator fault estimation design for linear continuous-time systems
Chen et al. Statistically consistent coarse-grained simulations for critical phenomena in complex networks
Mohajan Space-time singularities and Raychaudhuri equations
Park Neural Network‐Based Fault‐Tolerant Control of Underactuated Surface Vessels
JP2019053383A (ja) ニューラルネットワーク装置及びその製造方法
Badkoubeh et al. Flatness‐based deformation control of an Euler–Bernoulli beam with in‐domain actuation
Tretyakova et al. Production of exotic Λ hypernuclei via mesonic beams

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180504

WD01 Invention patent application deemed withdrawn after publication