本发明专利技术公开了一种发夹变异操作RNA遗传算法的桥式吊车神经网络建模方法,属智能建模领域。桥式吊车是一高度非线性欠驱动的复杂系统，为实现有效控制的目的，建立高精度的桥式吊车系统模型是至关重要的基础。本发明专利技术针对桥式吊车建模精度问题，提出基于RBF神经网络的位置和角度的桥式吊车非线性回归模型。受发夹结构启发，抽象出发夹变异操作RNA遗传算法,运行发夹变异操作RNA遗传算法对桥式吊车位置和摆角RBF神经网络的径向基函数中心进行寻优，获得桥式吊车的神经网络模型。本发明专利技术的建模方法，具有建模精度高的特点，也适用于其它复杂非线性系统的建模。
【技术实现步骤摘要】
本专利技术涉及智能优化建模
，特别是涉及一种发夹变异操作RNA遗传算法 的桥式吊车神经网络建模方法。
技术介绍
吊车属大型的工程搬运设备，在国民经济建设中占据着举足轻重的地位。在各类 吊车中，桥式吊车最具代表性。桥式吊车的主要任务是实现货物的快速、准确、无残摆运送。 由于吊车系统的欠驱动特性，台车运动及干扰会引起负载的摆动而降低吊车系统的工作效 率，同时可能会导致负载与操作工人或其它物体发生碰撞引起损失。因此，必须对桥式吊车 进行有效的控制。为实现这一目的，建立高精度的桥式吊车系统模型是至关重要的基础。 目前国内外已有一些关于吊车建模研究成果的文章发表，A. Kaneshige等人针对 三维吊车在运送液舱时需要考虑液体振动问题，基于动力学方程建立了吊车模型。马博 军等人利用拉格朗日方程对三维桥式吊车系统进行了动力学建模 。Jie Huang等人基于 Kane的方法建立了传送分布质量梁的桥式吊车的非线性模型。R.M.T. Raja Ismail等 人提出为了解决远海的装载货物问题，利用吊车实现船到船之间的运输可解决港口拥挤问 题并提高港口效率，并针对海上集装箱吊车系统应用拉格朗日方程建立模型 。 这些研究成果都是基于机理建模的。由于桥式吊车的非线性、时变性、不确定性等 特点使得所建立的机理模型与实际系统有较大的偏差，迫切需要寻求新的建模方法。人工 神经网络是模拟人脑结构和功能的信息处理系统，具有自学习、自适应、分布存储、并行处 理等特点，能实现输入与输出的非线性映射关系。然而，神经网络性能是由网络结构与权值 确定，因此，神经网络模型的参数优化是关键问题。 遗传算法由于对待求解问题的无连续性、无可微性要求、只需要知道目标函数的 信息而受到人们的特别关注。遗传算法全局寻优能力强，但是局部寻优能力较弱，易于早熟 收敛。随着生物科学与技术的不断进步，人们对生物分子特性的认识不断加深，对RNA分子 的结构和遗传信息表达机理的认识也加深，受RNA生物分子操作的启发，陶吉利等人提出 了一种RNA遗传算法，克服了传统遗传算法的不足。 本专利技术受RNA分子特性和分子操作的启发，提出了发夹变异操作的RNA遗传算法 (hmRNA-GA)，可用于求解复杂的非线性优化问题，将所提出的发夹变异操作RNA遗传算法 用于桥式吊车RBF神经网络模型的径向基函数的中心寻优中取得较理想的效果。 参考文献 A. Kaneshige, N. Kaneshige, S. Hasegawa. Model and control system for 3D transfer of liquid tank with overhead crane considering suppression of liquid vibration. International Journal of Cast Metals Research，2008, 21，293-298. 马博军，方勇纯，刘先恩，王鹏程.三维桥式吊车建模与仿真平台设计. 系统仿真学报，2009, 21 (12) : 2798-3803. Jie Huang, Zan Liang, Qiang Zang. Dynamics and swing control of double-pendulum bridge cranes with distributed-mass beams. Mechanical Systems and Signal Processing. 2015, 54-55:357-366. R. M. T. Raja Ismail, et al. , Modelling and robust trajectory following for offshore container crane systems, Automation in Construction(2015)，http:// dx. doi. org/10. 1016/j. autcon. 2015. 05. 003.
技术实现思路
本专利技术的目的是克服传统遗传算法存在的不足和桥式吊车机理建模的不足，提出 发夹变异操作RNA遗传算法的桥式吊车神经网络建模方法，该方法将发夹变异操作RNA遗 传算法用于桥式吊车RBF神经网络模型的参数寻优中，结果表明所建模型能较好的反应实 际系统的非线性特性。 发夹变异操作RNA遗传算法的桥式吊车神经网络建模方法的具体步骤如下： 步骤1:通过现场测试或实验获得二维桥式吊车系统水平方向控制输入和输出采 样数据，其中输入采样数据为控制力f x，输出采样数据为水平方向上位置X和摆角Θ x; 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，两个模型均采用3层结构； 设定位置RBF神经网络模型输入变量个数为Pnum，输入向量为 ，其中 IidPm1 为整数，且 n!+!^ = Pnum，输出变量个数为Pout = 1，输出变量为x(t)，t为采样时刻，fx(t)为t时刻的控制力 采样数据，隐层结点数为Ph，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Cnum，输入向量为 其中 n2和 m 2为整数，且 n2+m2=Cnum，输出变量个数为Cout = l，输出变量为Θ x(t)，隐层结点数为Ch，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表示网络的输出向量，。i是高斯函数的基宽， Clie R _?为径向基中心，Wli表示隐含层到输出层的连接权值。 摆角RBF神经网络输入输出关系式为： X2为位置RBF神经网络输入向量，Y2表示网络的输出向量，? 2是高斯函数的基宽， C21 e R 为径向基中心，W21表示隐含层到输出层的连接权值。 步骤3:数据归一化，将步骤1采样到的全部数据映射到-1到1之间； 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； 步骤5:设置位置RBF神经网络模型和摆角RBF神经网络模型中待寻优的参数； 步骤6:根据单链RNA分子中由分子内的碱基配对形成包括发夹结构、凸起结构、 内环结构在内的多种环状结构的机制，抽象出发夹变异算子和发夹变异操作RNA遗传算 法； 步骤7:将不同时刻位置RBF神经网络模型的输出值与步骤1中实际位置采样数 据间的误差绝对值之和，作为发夹变异操作RNA遗传算法寻优搜索的目标函数，获得位置 RBF神经网络模型寻优参数值；按相同方法获得摆角RBF神经网络模型寻优参数值； 步骤8:以步骤7获得的寻优参数值确定位置RBF神经网络模型和摆角RBF神经 网络模型，通过测试样本进行神经网络模型验证。 所述的步骤3按照下式进行归一化运算： 其中，緣表示归一化后的样本数据，i为样本数，j为样本的分量，Xlj表示第i个 样本的第j个分量，dmaX]为第j个样本分量的最大值，dmin ,为第j个样本分量的最小值。 所述的步骤4对训练样本和测试样本的选择方法如下： 对于N组数据，每组p点数据，在N组数据中各随机选取Ι/k本文档来自技高网...
【技术保护点】
一种发夹变异操作RNA遗传算法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:通过现场测试或实验获得二维桥式吊车系统水平方向控制输入和输出采样数据，其中输入采样数据为控制力fx，输出采样数据为水平方向上位置x和摆角θx；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，两个模型均采用3层结构；设定位置RBF神经网络模型输入变量个数为Pnum，输入向量为[x(t‑1),x(t‑2),...,x(t‑n1),fx(t),fx(t‑1),...,fx(t‑m1)]，其中n1和m1为整数，且n1+m1＝Pnum，输出变量个数为Pout＝1，输出变量为x(t)，t为采样时刻，fx(t)为t时刻的控制力采样数据，隐层结点数为Ph，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Cnum，输入向量为[θx(t‑1),θx(t‑2),...,θx(t‑n2),fx(t),fx(t‑1),...,fx(t‑m2)]其中n2和m2为整数，且n2+m2＝Cnum，输出变量个数为Cout＝1，输出变量为θx(t)，隐层结点数为Ch，径向基函数为高斯函数；步骤3:数据归一化，将步骤1采样到的全部数据映射到‑1到1之间；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；步骤5:设置位置RBF神经网络模型和摆角RBF神经网络模型中待寻优的参数；步骤6:根据单链RNA分子中由分子内的碱基配对形成包括发夹结构、凸起结构、内环结构在内的多种环状结构的机制，抽象出发夹变异算子和发夹变异操作RNA遗传算法；步骤7:将不同时刻位置RBF神经网络模型的输出值与步骤1中实际位置的采样数据间的误差绝对值之和，作为发夹变异操作RNA遗传算法寻优搜索的目标函数，获得位置RBF神经网络模型寻优参数值；按相同方法获得摆角RBF神经网络模型寻优参数值；步骤8:以步骤7获得的寻优参数值确定位置RBF神经网络模型和摆角RBF神经网络模型，通过测试样本检验神经网络模型。...
【技术特征摘要】
【专利技术属性】
技术研发人员：朱笑花，王宁，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。