申请/专利权人：厦门大学

申请日：2024-01-11

公开（公告）日：2024-04-12

公开（公告）号：CN117874463A

主分类号：G06F18/20

分类号：G06F18/20;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于神经网络的分数阶系统在线参数辨识方法，包括：对变换器的分数阶模型进行模态分析，并建立分数阶模型下的状态方程；基于Grunwald‑Letnikov分数阶微积分定义建立变换器的分数阶离散模型；根据分数阶离散模型中分数阶电容电压和分数阶电感电流的递推表达式构建神经网络，在变换器的动态响应过程中，以实际采样值为参考值，离散模型的输出值为估计值，并构建均方损失函数；对损失函数求偏导得到各权重对应的梯度表达式，根据梯度下降算法，得到神经网络的权值；根据变换器的离散模型与权重值计算分数阶电感值和分数阶电容值。本发明在无需增加额外电路和传感器的前提下，仅依靠原本闭环控制中所需的电气量实现分数阶电感和分数阶电容等动态元参数的在线辨识。

主权项：1.一种基于神经网络的分数阶系统在线参数辨识方法，其特征在于，包括：S101，对变换器的分数阶模型进行模态分析，并建立分数阶模型下以分数阶电感电流和分数阶电容电压为状态变量的状态方程；S102，基于Grunwald-Letnikov分数阶微积分定义对状态方程进行离散化处理，建立变换器的分数阶离散模型；S103，根据分数阶离散模型中分数阶电容电压和分数阶电感电流的递推表达式构建神经网络，在变换器的动态响应过程中，以实际采样值为参考值，离散模型的输出值为预测值，构建神经网络的均方损失函数；S104，对损失函数求偏导得到各权重对应的梯度表达式，根据梯度下降算法，得到神经网络的权重值；S105，基于变换器的离散模型与权重值，反解计算出分数阶电感的感值和阶数，以及分数阶电容的容值和阶数。

全文数据：

权利要求：

百度查询： 厦门大学 一种基于神经网络的分数阶系统在线参数辨识方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD