CN109598345A - 具有对象年龄特征膜计算的桥式吊车神经网络建模方法 - Google Patents

Abstract

本发明公开了一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法。步骤为：1)获得桥式吊车运行过程的输入和输出采样数据，建立桥式吊车RBF神经网络模型；2)分别将桥式吊车运行过程的位置和摆角的估计输出与实际输出采样数据的差值平方和作为目标函数；3)受生物细胞膜及胞内物质衰老现象的启发，抽象出一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法；4)设定算法运行参数；5)运行具有对象年龄特征膜计算优化方法对桥式吊车RBF神经网络模型中的未知参数进行估计，通过最小化目标函数，得到模型中的未知参数估计值，将估计值带入桥式吊车RBF神经网络模型中，形成非线性模型。本发明建模方法具有抗早熟、局部搜索精度高，收敛快的特点。

Description

具有对象年龄特征膜计算的桥式吊车神经网络建模方法

技术领域

本发明涉及一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法。

背景技术

桥式吊车是一类应用广泛的装配运输工具，其工作的关键是实现货物的准确、快速、无残摆运送。但是由于桥式吊车的控制量维数少于其被控量的自由度，属于非线性欠驱动性系统，当台车运动时，受摩擦力、风力的干扰，会引起货物的摆动，存在操作效率低、定位精度差、安全系数低等缺点。因此，必须对桥式吊车进行安全有效的控制，要达到这一目的，关键在于建立高精度的桥式吊车模型。

研究者们采用机理建模的方法取得了不少成果，马博军等人同时考虑了台车在两个水平方向上运动对负载摆动的作用和吊绳长度变化对系统状态的影响，利用拉格朗日方程确定了三维桥式吊车系统的动力学模型。M.分析了桥式吊车支撑结构的动态特性，基于动力学方程建立了非线性吊车模型。基于机理建模，研究者们根据桥式吊车的机理和特征提出其模型结构，再选择合适的参数估计方法，求取模型参数。这些未知参数的估计值对所得到的桥式吊车数学模型的准确性有着重要影响。因此，在桥式吊车模型结构已知的情况下的建模问题，可以将桥式吊车模型的参数估计问题转化为优化问题。

然而，由于桥式吊车的欠驱动性、非线性、不确定性等特点，研究者们所建立的机理模型与实际模型仍有较大的偏差。人工神经网络是从微观结构和功能上对人脑的抽象、简化，反映了人脑功能的并行信息处理、学习、联想等特征，作为一类新的建模方法，人工神经网络具有自学习、自适应性、非线性映射等特点，能够有效处理非线性系统建模问题，而确定神经网络的结构与参数是实现人工神经网络建模的关键问题之一。

对于具有非线性、约束性、复杂性等特点的工程优化问题，传统的优化方法容易陷入局部最优甚至得不到最优值，这使得受生物启发的智能优化方法得到人们的重视。膜计算是自然计算的新分支，旨在从生命细胞的结构和功能中，抽象出计算模型，也称为P系统。膜计算由欧洲科学院院士、罗马尼亚科学院院士Gheorghe Paun于1998年提出，生物细胞膜内的生化反应或细胞膜之间的物质交流被看成是一种计算过程，甚至细胞之间的物质交换也可以看成是计算单元之间的信息交流。本发明受生物细胞内物质和能量的变异、传递的启发，提出了一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法，可用于求解复杂的非线性优化问题基于杨世品等人于2012年发表在《International Journal ofHydrogen Energy》上的质子交换膜燃料电池的数学模型，考虑其内部电化学反应的高度非线性和复杂性，将所提出的嵌套式膜结构的P系统优化算法用于解决质子交换膜燃料电池模型参数估计中，取得较理想的效果。

发明内容

本发明的目的是克服传统膜计算和桥式吊车机理建模中的一些缺点和不足，如局部搜索能力差等，提出一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法，该方法将改进膜计算优化方法用于桥式吊车RBF神经网络模型的参数寻优中，结果表明所建模型能较好地反映实际系统的非线性特性。本发明具体采用的技术方案如下：

具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其包括如下步骤：

步骤1：通过实验获得桥式吊车系统水平方向的控制输入与输出采样数据作为样本数据，其中输入采样数据为吊车的水平控制力F，输出采样数据为水平方向的位置x和摆角θ；

步骤2：建立桥式吊车2个RBF神经网络非线性模型，分别为位置RBF神经网络模型和摆角RBF神经网络模型，两个RBF神经网络模型均采用输入层- 隐含层-输出层的3层结构；

设定位置RBF神经网络模型输入变量个数为P_in,输入向量为 [x(t-1),x(t-2),...,x(t-m₁),F(t-1),F(t-2),...,F(t-n₁)]，其中m₁+n₁＝P_in，输出变量数为P_out＝1，t为采样时刻；x(t)为t时刻的输出向量，即t时刻的水平方向的位置；F(t)为采样获得的t时刻吊车水平控制力，神经网络隐层结点数为P_l，径向基函数为高斯函数；

设定摆角RBF神经网络模型输入变量个数为A_in,输入向量为 [θ(t-1),θ(t-2),...,θ(t-m₂),F(t-1),F(t-2),...,F(t-n₂)]，其中m₂+n₂＝A_in，输出变量数为A_out＝1，t为采样时刻；θ(t)为t时刻的输出向量，即t时刻的摆角；神经网络隐层结点数为A_l，径向基函数为高斯函数；

步骤3：将采样得到的样本数据全部归一化到-1到1之间：

其中，x_ij为归一化前第i个样本的第j个分量，x′_ij为归一化后第i个样本的第j个分量，max_j和min_j分别为样本数据中第j个分量的最大值和最小值；

步骤4：将归一化后的数据输入到步骤2建立的位置RBF神经网络模型和摆角RBF神经网络模型中，其中的一部分数据作为训练样本，另一部分作为测试样本；

分别针对位置RBF神经网络模型和摆角RBF神经网络模型，在N组采样数据中随机选取m组采样数据作为训练样本，每组采样数据有 P_in+1和A_in+1个变量，前P_in和A_in个作为RBF神经网络模型输入，最后一个作为神经网络的模型参考输出；

步骤5：在具有对象年龄特征膜计算的桥式吊车神经网络建模方法中，设置具有对象年龄特征膜计算优化方法的规则，包括改写规则、转位规则、粘贴规则、交流规则及衰老规则；

步骤6：将位置RBF神经网络模型的输出与实际采样输出数据的差值平方和作为算法寻优的目标函数，通过最小化目标函数，得到位置RBF神经网络模型中未知参数的估计值，将估计值代入位置RBF神经网络，形成桥式吊车位置 RBF神经网络模型，用于估计吊车在水平方向的位置；按相同方法形成桥式吊车摆角RBF神经网络模型，用于估计摆角。

进一步的，所述样本数据通过实验获得。

进一步的，步骤4中随机选取的训练样本数m满足：

进一步的，步骤5中所述衰老规则的操作为：

初始膜系统中各个基本膜内的对象年龄均为0，算法迭代时，当进化一代后，对象未发生任何变化，则年龄As加1，如果膜内对象在连续A_constant次迭代后仍未发生变化，即膜内对象达到衰老年龄A_constant，则该对象为衰老对象，将该对象移入衰老对象集D中，不参与进化，同时在该对象所在膜中随机初始化一个对象将其代替，当衰老对象集中衰老对象总数|D|≥2，对每两个衰老对象进行粘贴操作，得到两个新对象，如果新对象与原衰老对象不同，则将新对象加入到原始膜中，替换掉适应度值最差的对象，否则删除新对象。粘贴操作后将衰老对象从衰老对象集中删除。

进一步的，步骤6对桥式吊车位置和摆角RBF神经网络模型中的径向基函数中心进行寻优的步骤为：

步骤6.1：设定基于对象年龄的膜计算的参数：膜总数n，各层膜内对象数 msize，最大进化代数G_max，改写概率P_b，转位概率P_z，对象字符长度SeedL，衰老年龄A_constant，求解精度Δ和终止规则；

终止规则为：算法寻得的目标函数小于Δ或迭代次数达到最大代数G_max；

步骤6.2：对位置RBF神经网络模型和摆角RBF神经网络模型进行初始化，随机生成n个膜，和每层膜内的msize个对象，其中对象的每个字符均为字符上限umax和字符下限umin间的随机值；桥式吊车位置RBF神经网络模型中，每个对象均有P_in×P_l个字符，神经网络共有n×msize×P_in×P_l个参数，桥式吊车摆角RBF神经网络模型中，每个对象均有A_in×A_l个字符，神经网络共有 n×msize×A_in×A_l个参数；每个对象代表的参数如下：

式中，c_P是位置RBF神经网络模型径向基函数的中心，为径向基函数中心第P_l个隐节点的第P_in个分量；c_A是摆角RBF神经网络模型径向基函数的中心，为径向基函数中心第A_l个隐节点的第A_in个分量；

步骤6.3：膜内的各对象作为径向基函数中心，采用随机梯度下降法分别计算隐含层与输出层间的权值，将训练样本输出与神经网络输出差值的平方和作为目标函数，得到位置RBF神经网络模型和摆角RBF神经网络模型的适应度；

步骤6.4：对各层膜内对象分别进行改写操作、转位操作和粘贴操作，依据适应度选拔出膜内最优的msize×pby个对象，进行膜间交流，替换掉外层膜中适应度最差的msize×pby个对象；pby为膜内选拔较优对象的比例；

步骤6.5：如果每个膜内所有对象进化完毕，执行衰老操作；如果满足终止规则，转入步骤6.6，否则继续步骤6.3，完成下一代的寻优搜索；

步骤6.6：当具有对象年龄特征膜计算优化算法运行达到算法的终止规则时，所得最优值作为桥式吊车神经网络模型位置参数的估计值，将估计值带入桥式吊车模型中，形成桥式吊车的数学模型。

本发明模拟生物细胞内物质和能量的重组、变异和衰老现象，提高了优化过程中种群的多样性，增强了算法的局部搜索能力，具有寻优精度高、抗早熟的特点。本方法构建的神经网络模型可用于估计吊车在水平方向的位置和摆角。

附图说明

图1为具有对象年龄特征膜计算的桥式吊车神经网络建模方法流程图；

图2为桥式吊车系统示意图；

图3为系统膜结构示意图；

图4为神经网络模型；

图5为神经网络模型位置训练误差图；

图6为神经网络模型预测输出和吊车实际位置输出比较图；

图7为神经网络模型预测位置误差图；

图8为神经网络模型摆角训练误差图；

图9为神经网络模型预测输出和吊车实际摆角输出比较图；

图10为神经网络模型预测摆角误差图。

具体实施方式

如图1所示，具有对象年龄特征膜计算的桥式吊车神经网络建模方法包括如下步骤：

步骤1：通过实验获得获得桥式吊车系统水平方向的控制输入与输出采样数据作为样本数据，其中输入采样数据为吊车的水平控制力F，输出采样数据为水平方向的位置x和货物的摆角θ。对于同一组桥式吊车的输入数据，将桥式吊车模型的位置估计输出、摆角估计输出分别与桥式吊车的位置实际输出、摆角实际输出的差值平方和作为目标函数；

步骤2：建立桥式吊车2个RBF神经网络非线性模型，分别为位置RBF神经网络模型和摆角RBF神经网络模型，两个RBF神经网络模型均采用输入层- 隐含层-输出层的3层结构；

设定位置RBF神经网络模型输入变量个数为P_in,输入向量为 [x(t-1),x(t-2),...,x(t-m₁),F(t-1),F(t-2),...,F(t-n₁)]，其中m₁+n₁＝P_in，输出变量数为P_out＝1，t为采样时刻；x(t)为t时刻的输出向量，即t时刻的水平方向的位置；F(t)为采样获得的t时刻吊车水平控制力，神经网络隐层结点数为P_l，径向基函数为高斯函数；

设定摆角RBF神经网络模型输入变量个数为A_in,输入向量为 [θ(t-1),θ(t-2),...,θ(t-m₂),F(t-1),F(t-2),...,F(t-n₂)]，其中m₂+n₂＝A_in，输出变量数为A_out＝1，t为采样时刻；θ(t)为t时刻的输出向量，即t时刻的摆角；神经网络隐层结点数为A_l，径向基函数为高斯函数；

位置RBF神经网络输入输出关系式为：

X₁为位置RBF神经网络输入向量，Y₁为网络的输出向量，σ₁为高斯函数的基宽，c_1i为第i个隐结点的径向基中心，w_1i为第i个隐结点到输出层的连接权值。

角度RBF神经网络输入输出关系式为：

X₂为角度RBF神经网络输入向量，Y₂为网络的输出向量，σ₂为高斯函数的基宽，c_2i为第i个隐结点的径向基中心，w_2i为第i个隐结点到输出层的连接权值。

步骤3：将采样得到的样本数据全部归一化到-1到1之间：

其中，x_ij为归一化前第i个样本的第j个分量，x′_ij为归一化后第i个样本的第j个分量，max_j和min_j分别为样本数据中第j个分量的最大值和最小值；

步骤4：将归一化后的数据输入到步骤2建立的位置RBF神经网络模型和摆角RBF神经网络模型中，其中的一部分数据作为训练样本，另一部分作为测试样本；

分别针对位置RBF神经网络模型和摆角RBF神经网络模型，在N组采样数据中随机选取m组采样数据作为训练样本，m满足：每组采样数据有P_in+1和A_in+1个变量，前P_in和A_in个作为RBF神经网络模型输入，最后一个作为神经网络的模型参考输出；

步骤5：在具有对象年龄特征膜计算的桥式吊车神经网络建模方法中，设置具有对象年龄特征膜计算优化方法的规则，包括改写规则、转位规则、粘贴规则、交流规则及衰老规则。

本步骤中改写规则、转位规则、粘贴规则、交流规则可采用膜计算的常规做法，而衰老规则的操作为：

初始膜系统中各个基本膜内的对象年龄均为0，算法迭代时，当进化一代后，对象未发生任何变化，则年龄As加1，如果膜内对象在连续A_constant次迭代后仍未发生变化，即膜内对象达到衰老年龄A_constant，则该对象为衰老对象，将该对象移入衰老对象集D中，不参与进化，同时在该对象所在膜中随机初始化一个对象将其代替，当衰老对象集中衰老对象总数|D|≥2，对每两个衰老对象进行粘贴操作，得到两个新对象，如果新对象与原衰老对象不同，则将新对象加入到原始膜中，替换掉适应度值最差的对象，否则删除新对象。粘贴操作后将衰老对象从衰老对象集中删除。

步骤6：将位置RBF神经网络模型的输出与实际采样输出数据的差值平方和作为算法寻优的目标函数，通过最小化目标函数，得到位置RBF神经网络模型中未知参数的估计值，将估计值代入位置RBF神经网络，形成桥式吊车位置 RBF神经网络模型，用于估计吊车在水平方向的位置；按相同方法形成桥式吊车摆角RBF神经网络模型，用于估计吊车上货物的摆角。

本步骤中对桥式吊车位置和摆角RBF神经网络模型中的径向基函数中心进行寻优的步骤为：

步骤6.1：设定基于对象年龄的膜计算的参数：膜总数n，各层膜内对象数 msize，最大进化代数G_max，改写概率P_b，转位概率P_z，对象字符长度SeedL，衰老年龄A_constant，求解精度Δ和终止规则；

终止规则为：算法寻得的目标函数小于Δ或迭代次数达到最大代数G_max；

步骤6.2：对位置RBF神经网络模型和摆角RBF神经网络模型进行初始化，随机生成n个膜，和每层膜内的msize个对象，其中对象的每个字符均为字符上限umax和字符下限umin间的随机值；桥式吊车位置RBF神经网络模型中，每个对象均有P_in×P_l个字符，神经网络共有n×msize×P_in×P_l个参数，桥式吊车摆角RBF神经网络模型中，每个对象均有A_in×A_l个字符，神经网络共有 n×msize×A_in×A_l个参数；每个对象代表的参数如下：

式中，c_P是位置RBF神经网络模型径向基函数的中心，为径向基函数中心第P_l个隐节点的第P_in个分量；c_A是摆角RBF神经网络模型径向基函数的中心，为径向基函数中心第A_l个隐节点的第A_in个分量；

步骤6.3：膜内的各对象作为径向基函数中心，采用随机梯度下降法分别计算隐含层与输出层间的权值，将训练样本输出与神经网络输出差值的平方和作为目标函数，得到位置RBF神经网络模型和摆角RBF神经网络模型的适应度；

步骤6.4：对各层膜内对象分别进行改写操作、转位操作和粘贴操作，依据适应度选拔出膜内最优的msize×pby个对象，进行膜间交流，替换掉外层膜中适应度最差的msize×pby个对象；pby为膜内选拔较优对象的比例；

步骤6.5：如果每个膜内所有对象进化完毕，执行衰老操作；如果满足终止规则，转入步骤6.6，否则继续步骤6.3，完成下一代的寻优搜索；

步骤6.6：当具有对象年龄特征膜计算优化算法运行达到算法的终止规则时，所得最优值作为桥式吊车神经网络模型位置参数的估计值，将估计值带入桥式吊车模型中，形成桥式吊车的数学模型。

下面结合实施例进一步展示本发明的具体技术效果

实施例

以下将本发明方法用于桥式吊车的RBF神经网络模型确定中，进一步详述具有对象年龄特征膜计算优化算法在桥式吊车的RBF神经网络建模优化中的有效性：

步骤1：通过“三维桥式吊车实验平台”(当仅选择x,θ作为状态量时，该平台可简化为一个x方向上的二维桥式吊车系统，见图2吊车示意图)获得二维桥式吊车系统水平方向的控制输入F_x，水平方向的位置x和摆角θ的输出采样数据。实验平台的参数测量如下：台车质量M＝8.4kg，负载质量 m＝1.5kg，吊绳长度固定l＝0.8m。在进行实验数据采集过程中，保持台车在 y方向不动，同时与负载连接的吊绳长度不变，通过Visual Studio平台对固高运动控制卡发送信号，在开环状态下对吊车x方向分别施加12N、14N、16N的水平驱动力，采样周期为10ms。共获得3组采样数据，每组数据的采样时长为 10s，即1000组的吊车状态数据。

步骤2：如图4所示，建立桥式吊车2个RBF神经网络非线性模型，分别为位置RBF神经网络模型和摆角RBF神经网络模型，两个模型均采用输入层- 隐含层-输出层的3层结构；

设定位置RBF神经网络模型输入变量个数为P_in＝4,输入向量为 X₁＝[x(t-1),x(t-2),...,x(t-m₁),F(t-1),F(t-2),...,F(t-n₁)]，输出变量数为P_out＝1，t为采样时刻，输出向量为Y₁＝x(t)，F(t)为采样获得的t时刻吊车水平控制力，神经网络隐层结点数为P_l＝12，径向基函数为高斯函数；

设定摆角RBF神经网络模型输入变量个数为A_in＝4,输入向量为 X₂＝[θ(t-1),θ(t-2),...,θ(t-m₂),F(t-1),F(t-2),...,F(t-n₂)]，输出变量数为 A_out＝1，t为采样时刻，输出向量为Y₂＝θ(t)，神经网络隐层结点数为A_l＝12，径向基函数为高斯函数；

位置RBF神经网络输入输出关系式为：

X₁为位置RBF神经网络输入向量，Y₁为网络的输出向量，σ₁＝rand(0,1)为高斯函数的基宽，c_1i为第i个隐结点的径向基中心，w_1i为第i个隐结点到输出层的连接权值。

角度RBF神经网络输入输出关系式为：

X₂为角度RBF神经网络输入向量，Y₂为网络的输出向量，σ₂＝rand(0,1) 为高斯函数的基宽，c_2i为第i个隐结点的径向基中心，w_2i为第i个隐结点到输出层的连接权值。

步骤3：将采样得到的样本数据全部归一化到-1到1之间：

其中，x为归一化后的样本数据，x_ij为归一化后的第 i个样本的第j个分量，max_j和min_j分别为样本数据中第j个分量的最大值和最小值。

步骤4：将归一化后的数据输入到步骤2建立的位置RBF神经网络模型和摆角RBF神经网络模型中，其中，对采得的数据样本，进行如下处理：

将总共1000×3组台车牵引力、台车位置和负载摆角数据随机打乱后，随机抽取出700组数据作为训练样本，用于训练RBF神经网络。为了验证所提方法的有效性，以驱动力为14N时的测得的吊车状态数据作为测试样本，

步骤5：根据生物细胞膜及胞内物质衰老启发，抽象出对象年龄膜计算的桥式吊车神经网络优化建模方法，提出如下具有对象年龄特征膜计算优化方法的规则：改写规则、转位规则、粘贴规则、交流规则及衰老规则。系统膜结构示意图如图3所示。

所述的改写规则、转位规则、粘贴规则、交流规则、衰老规则分别为：

1)改写规则

i＝1,2,...,l

p＝rand(0,1)，p_b为改写概率，S'是膜内改写规则执行后对象S的更换对象，i代表该字符串中字符的位置，l是优化变量的数目或字符串的长度，η是随机变异量；

2)转位规则

p＝rand(0,1)，p_z为转位概率，m,n为字符串对象中任意的两个位置，当 p＜p_z时，对象将执行这一规则；

3)粘贴规则

字符串对象S₁,S₂分别在u₁u₂和u₃u₄位置切割开来。然后，片段分别在位置 u₁u₄和u₃u₂处重新组合成两条新的字符串S′₁,S′₂；

4)交流规则

交流规则表述为当前膜将其一部分候选对象发送到期临近的外层膜中，但某一运行代数的表层莫部分候选对象则与最内层莫的对象交流为下一运行周期做准备；此处，交流定义为用部分候选对象集替代目标膜内等数量的最差对象集；

5)衰老规则

衰老规则表述为：初始膜系统中各个基本膜内的对象年龄均为0，算法迭代时，当进化一代后，对象未发生任何变化，则年龄加1，如果膜内对象在连续A_constant次迭代后仍未发生变化，即膜内对象达到衰老年龄A_constant，则该对象为衰老对象，将该对象移入衰老对象集D中，不参与进化，同时在该对象所在膜中随机初始化一个对象将其代替，当衰老对象集中衰老对象总数|D|≥2，对每两个衰老对象进行粘贴操作，得到两个新对象，如果新对象与原衰老对象不同，则将新对象加入到原始膜中，替换掉适应度值最差的对象，否则删除新对象。粘贴操作后将衰老对象从衰老对象集中删除。

步骤6：将位置RBF神经网络模型的输出与实际采样输出数据的差值平方和作为对象年龄操作膜计算寻优的目标函数，目标函数为其中为实验得到的实际值，Y_m为通过RBF神经网络模型的输出值，m表示采样点。通过最小化目标函数，得到RBF神经网络模型中未知参数的估计值，步骤如下：

设定基于对象年龄的膜计算的参数：膜总数n，各层膜内对象数msize，最大进化代数G_max，改写概率P_b，转位概率P_z，对象字符长度SeedL，衰老年龄 A_constant，求解精度Δ和终止规则；

步骤6.1：设定膜总数n＝5，各层膜内对象数msize＝10，最大进化代数 G_max＝200，改写概率P_b＝0.5，转位概率P_z＝0.25，对象字符长度 SeedL＝48，衰老年龄A_constant＝5，求解精度Δ＝10-⁴；

所述算法的终止规则为：算法寻得的目标函数小于Δ或迭代次数达到最大代数G_max＝200；

步骤6.2：对位置RBF神经网络模型和摆角RBF神经网络模型进行初始化，随机生成5个膜，和每层膜内的10个对象，其中对象的每个字符均为字符上限5和字符下限-5间的随机值；桥式吊车位置RBF神经网络模型中，每个对象均有P_in×P_l＝48个字符，神经网络共有n×msize×P_in×P_l＝2400个参数，桥式吊车摆角RBF神经网络模型中，每个对象均有A_in×A_l＝48个字符，神经网络共有n×msize×A_in×A_l＝2400个参数；

每个对象代表的参数如下：

式中，c_P是位置RBF神经网络模型径向基函数的中心，为径向基函数中心第P_l个隐节点的第P_in个分量；c_A是摆角RBF神经网络模型径向基函数的中心，为径向基函数中心第A_l个隐节点的第A_in个分量；

步骤6.3：膜内的各对象作为径向基函数中心，采用随机梯度下降法计算径向基函数基宽和输出节点权值向量，将训练样本输出与神经网络输出差值的平方和作为目标函数，得到位置RBF神经网络模型和摆角RBF神经网络模型的适应度；

步骤6.4：对各层膜内对象分别进行改写操作、转位操作和粘贴操作，依据适应度选拔出膜内较优的msize×pby个对象，进行膜间交流，替换掉外层膜中适应度较差的msize×pby个对象，pby＝0.1；

步骤6.5：如果每个膜内所有对象进化完毕，执行衰老操作；如果满足终止规则，转入步骤6.6，否则继续步骤6.3，完成下一代的寻优搜索；

步骤6.6：当对象年龄操作膜计算运行达到算法的终止规则时，所得最优值作为桥式吊车神经网络模型位置参数的估计值，将估计值带入桥式吊车模型中，形成桥式吊车的数学模型。

步骤7：获得位置RBF神经网络模型和摆角RBF神经网络模型，以驱动力为14N时的测得的吊车状态数据作为测试数据，用训练后的位置和摆角RBF神经网络模型分别对位置和摆角测试数据进行测试。测试结果如图5～10所示。

从图7和图10可见，无论是桥式吊车的位置部分还是摆角部分，本建模方法所获得的数学模型的位置输出和摆角输出都很好地与实际位置输出和摆角输出的采样点高度吻合，本发明提出的具有对象年龄特征膜计算的桥式吊车神经网络建模方法训练出的模型泛化能力较强，具有更好的搜索精度，能够充分模拟出系统的非线性特性。本发明最终得到的神经网络模型可以用于根据历史输入数据预测吊车的位置和货物的摆角。

Claims (5)

1.一种具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于包括如下步骤：

步骤1：获得桥式吊车系统水平方向的控制输入与输出采样数据作为样本数据，其中输入采样数据为吊车的水平控制力F，输出采样数据为水平方向的位置x和摆角θ；

步骤2：建立桥式吊车2个RBF神经网络非线性模型，分别为位置RBF神经网络模型和摆角RBF神经网络模型，两个RBF神经网络模型均采用输入层-隐含层-输出层的3层结构；

设定位置RBF神经网络模型输入变量个数为P_in,输入向量为[x(t-1),x(t-2),...,x(t-m₁),F(t-1),F(t-2),...,F(t-n₁)]，其中m₁+n₁＝P_in，输出变量数为P_out＝1，t为采样时刻；x(t)为t时刻的输出向量，即t时刻的水平方向的位置；F(t)为采样获得的t时刻吊车水平控制力，神经网络隐层结点数为P_l，径向基函数为高斯函数；

设定摆角RBF神经网络模型输入变量个数为A_in,输入向量为[θ(t-1),θ(t-2),...,θ(t-m₂),F(t-1),F(t-2),...,F(t-n₂)]，其中m₂+n₂＝A_in，输出变量数为A_out＝1，t为采样时刻；θ(t)为t时刻的输出向量，即t时刻的摆角；神经网络隐层结点数为A_l，径向基函数为高斯函数；

步骤3：将采样得到的样本数据全部归一化到-1到1之间：

其中，x_ij为归一化前第i个样本的第j个分量，x_i′_j为归一化后第i个样本的第j个分量，max_j和min_j分别为样本数据中第j个分量的最大值和最小值；

步骤4：将归一化后的数据输入到步骤2建立的位置RBF神经网络模型和摆角RBF神经网络模型中，其中的一部分数据作为训练样本，另一部分作为测试样本；

分别针对位置RBF神经网络模型和摆角RBF神经网络模型，在N组采样数据中随机选取m组采样数据作为训练样本；每组采样数据有P_in+1和A_in+1个变量，前P_in和A_in个作为RBF神经网络模型输入，最后一个作为神经网络的模型参考输出；

步骤5：在具有对象年龄特征膜计算的桥式吊车神经网络建模方法中，设置具有对象年龄特征膜计算优化方法的规则，包括改写规则、转位规则、粘贴规则、交流规则及衰老规则；

步骤6：将位置RBF神经网络模型的输出与实际采样输出数据的差值平方和作为算法寻优的目标函数，通过最小化目标函数，得到位置RBF神经网络模型中未知参数的估计值，将估计值代入位置RBF神经网络，形成桥式吊车位置RBF神经网络模型，用于估计吊车在水平方向的位置；按相同方法形成桥式吊车摆角RBF神经网络模型，用于估计摆角。

2.根据权利要求1所述的具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于所述样本数据通过实验获得。

3.根据权利要求1所述的具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于，步骤4中随机选取的训练样本数m满足：

4.根据权利要求1中所述的具有对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于步骤5中所述衰老规则的操作为：

初始膜系统中各个基本膜内的对象年龄均为0，算法迭代时，当进化一代后，对象未发生任何变化，则年龄A_s加1，如果膜内对象在连续A_constant次迭代后仍未发生变化，即膜内对象达到衰老年龄A_constant，则该对象为衰老对象，将该对象移入衰老对象集D中，不参与进化，同时在该对象所在膜中随机初始化一个对象将其代替，当衰老对象集中衰老对象总数|D|≥2，对每两个衰老对象进行粘贴操作，得到两个新对象，如果新对象与原衰老对象不同，则将新对象加入到原始膜中，替换掉适应度值最差的对象，否则删除新对象。粘贴操作后将衰老对象从衰老对象集中删除。

5.根据权利要求1所述的对象年龄特征膜计算的桥式吊车神经网络建模方法，其特征在于步骤6对桥式吊车位置和摆角RBF神经网络模型中的径向基函数中心进行寻优的步骤为：

步骤6.1：设定基于对象年龄的膜计算的参数：膜总数n，各层膜内对象数msize，最大进化代数G_max，改写概率P_b，转位概率P_z，对象字符长度SeedL，衰老年龄A_constant，求解精度Δ和终止规则；

终止规则为：算法寻得的目标函数小于Δ或迭代次数达到最大代数G_max；

步骤6.2：对位置RBF神经网络模型和摆角RBF神经网络模型进行初始化，随机生成n个膜，和每层膜内的msize个对象，其中对象的每个字符均为字符上限umax和字符下限umin间的随机值；桥式吊车位置RBF神经网络模型中，每个对象均有P_in×P_l个字符，神经网络共有n×msize×P_in×P_l个参数，桥式吊车摆角RBF神经网络模型中，每个对象均有A_in×A_l个字符，神经网络共有n×msize×A_in×A_l个参数；每个对象代表的参数如下：

式中，c_P是位置RBF神经网络模型径向基函数的中心，为径向基函数中心第P_l个隐节点的第P_in个分量；c_A是摆角RBF神经网络模型径向基函数的中心，为径向基函数中心第A_l个隐节点的第A_in个分量；

步骤6.3：膜内的各对象作为径向基函数中心，采用随机梯度下降法分别计算隐含层与输出层间的权值，将训练样本输出与神经网络输出差值的平方和作为目标函数，得到位置RBF神经网络模型和摆角RBF神经网络模型的适应度；

步骤6.4：对各层膜内对象分别进行改写操作、转位操作和粘贴操作，依据适应度选拔出膜内最优的msize×pby个对象，进行膜间交流，替换掉外层膜中适应度最差的msize×pby个对象；pby为膜内选拔较优对象的比例；

步骤6.5：如果每个膜内所有对象进化完毕，执行衰老操作；如果满足终止规则，转入步骤6.6，否则继续步骤6.3，完成下一代的寻优搜索；

步骤6.6：当具有对象年龄特征膜计算优化算法运行达到算法的终止规则时，所得最优值作为桥式吊车神经网络模型位置参数的估计值，将估计值带入桥式吊车模型中，形成桥式吊车的数学模型。