本發(fā)明涉及一種慣容器力學(xué)輸出預(yù)測(cè)方法，特指是基于量子遺傳支持向量機(jī)的慣容器力學(xué)輸出預(yù)測(cè)方法。
背景技術(shù)：
：慣容器自2002年被提出以來(lái)，雖然其隔振潛能已在諸多領(lǐng)域得到證實(shí)，但研究中均假想其為理想線性元件，忽視了其非線性影響因素。研究發(fā)現(xiàn)，慣容器的非線性因素會(huì)顯著影響其力學(xué)性能，且很難通過(guò)數(shù)學(xué)解析的方式建立其準(zhǔn)確的動(dòng)力學(xué)模型。為準(zhǔn)確描述并掌握慣容器的動(dòng)力學(xué)作用機(jī)理，近年來(lái)發(fā)展起來(lái)的機(jī)器學(xué)習(xí)方法為研究目標(biāo)提供了可行的參考。支持向量機(jī)(SupportVectorMachine)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，可同時(shí)實(shí)現(xiàn)樣本點(diǎn)誤差與結(jié)構(gòu)風(fēng)險(xiǎn)的同時(shí)最小化，具有較高的泛化能力，且沒(méi)有數(shù)據(jù)維數(shù)的限制。量子遺傳算法(QuantumGeneticAlgorithm)是量子計(jì)算與遺傳算法相結(jié)合的產(chǎn)物，將量子比特的幾率幅表示應(yīng)用于染色體的編碼，并利用量子邏輯門(mén)旋轉(zhuǎn)實(shí)現(xiàn)染色體的更新操作，比常規(guī)遺傳算法具有更好的效果。因此，本發(fā)明考慮應(yīng)用量子遺傳算法優(yōu)化支持向量機(jī)的模型參數(shù)，以此構(gòu)建慣容器的力學(xué)性能預(yù)測(cè)模型。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是：提出一種基于量子遺傳算法的支持向量機(jī)慣容器預(yù)測(cè)模型，采用量子遺傳算法對(duì)支持向量機(jī)的模型參數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)對(duì)慣容器力學(xué)輸出的準(zhǔn)確預(yù)測(cè)。為實(shí)現(xiàn)以上發(fā)明目的，本發(fā)明采用的技術(shù)方案是：提出一種慣容器力學(xué)輸出預(yù)測(cè)方法，主要包含以下步驟：(1)研制慣容器裝置，對(duì)慣容器進(jìn)行力學(xué)性能測(cè)試，獲取不同工況下的響應(yīng)輸出；(2)建立慣容器預(yù)測(cè)模型，選取輸入列向量與輸出向量；(3)建立預(yù)測(cè)模型的訓(xùn)練集與測(cè)試集；(4)選擇相應(yīng)的支持向量機(jī)的核函數(shù)及初始化模型參數(shù)；(5)利用量子遺傳算法對(duì)模型參數(shù)進(jìn)行優(yōu)化求解，獲取最佳的模型參數(shù)；(6)將優(yōu)化后的模型參數(shù)代入所構(gòu)建的預(yù)測(cè)模型，對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，并檢驗(yàn)?zāi)Ｐ途龋?7)利用建立的預(yù)測(cè)模型對(duì)慣容器的力學(xué)輸出進(jìn)行預(yù)測(cè)與性能評(píng)價(jià)。所述步驟(1)中慣容器的力學(xué)性能測(cè)試的激勵(lì)輸入為正弦型位移輸入，各工況下的激振頻率與振幅至少有一項(xiàng)不同。所述步驟(2)中慣容器預(yù)測(cè)模型的輸入列向量由時(shí)間序列中的慣容器自由端的位移、速度、加速度組成，輸出向量為慣容器兩端點(diǎn)的力信號(hào)。速度與加速度表達(dá)式由位移輸入表達(dá)式解析求導(dǎo)獲得，在Matlab/Simulink模塊中搭建速度輸入、加速度輸入時(shí)域曲線，并根據(jù)樣本數(shù)量設(shè)定采樣時(shí)間及數(shù)據(jù)點(diǎn)個(gè)數(shù)。所述步驟(3)中樣本數(shù)據(jù)的70％作為預(yù)測(cè)模型的訓(xùn)練集，樣本數(shù)據(jù)的30％作為測(cè)試集。所述步驟(4)中支持向量機(jī)的核函數(shù)為徑向基核函數(shù)，初始化模型參數(shù)懲罰因子與核函數(shù)方差均為1。所述步驟(5)中模型參數(shù)的優(yōu)化求解采用量子遺傳算法，種群大小為50，進(jìn)化代數(shù)為100，優(yōu)化變量的取值范圍均設(shè)置為[0,10]。所述步驟(6)中模型的精度檢驗(yàn)標(biāo)準(zhǔn)為均方差E<0.01，置信度R2>99％。本發(fā)明的有益實(shí)施效果是：(1)利用本發(fā)明提出的力學(xué)輸出預(yù)測(cè)方法，可有效掌握兩端點(diǎn)機(jī)械元件的動(dòng)力學(xué)行為特性，解決了受非線性因素影響較大而無(wú)法建立其解析動(dòng)力學(xué)模型的難題。(2)采用全局搜索能力較強(qiáng)的量子遺傳算法對(duì)支持向量機(jī)的模型參數(shù)進(jìn)行優(yōu)化，不僅減小了慣容器力學(xué)輸出預(yù)測(cè)模型的計(jì)算量，更有效的提高了模型的預(yù)測(cè)精度，其中，預(yù)測(cè)均方差小于0.01，置信度大于99％，具備較高的預(yù)測(cè)精度及泛化能力，可以進(jìn)行更有效的預(yù)測(cè)并掌握慣容器的動(dòng)力學(xué)作用機(jī)理，為后續(xù)精確控制打下基礎(chǔ)。附圖說(shuō)明下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。圖1是一種慣容器力學(xué)性能預(yù)測(cè)方法的流程圖。圖2是0.5Hz力學(xué)預(yù)測(cè)輸出時(shí)域圖。圖3是3Hz力學(xué)預(yù)測(cè)輸出時(shí)域圖。圖4是10Hz力學(xué)預(yù)測(cè)輸出時(shí)域圖。具體實(shí)施方式下面結(jié)合附圖以及具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明，但本發(fā)明的保護(hù)并非局限于本實(shí)施例。一種慣容器力學(xué)輸出預(yù)測(cè)方法，如圖1所示，主要包括以下步驟：(1)研制慣容器裝置，對(duì)慣容器進(jìn)行力學(xué)性能測(cè)試，獲取不同工況下的響應(yīng)輸出。所述慣容器裝置的理想線性動(dòng)力學(xué)方程為：F＝b(a1-a2)其中，F(xiàn)為慣容器裝置兩端點(diǎn)受到的一對(duì)作用力，b為慣質(zhì)系數(shù)，單位為kg，可由設(shè)計(jì)參數(shù)計(jì)算獲得，a1、a2為慣容器兩端點(diǎn)的加速度。本實(shí)施例中所設(shè)計(jì)的慣容器慣質(zhì)系數(shù)為370kg，力學(xué)性能測(cè)試采用正弦位移型信號(hào)作為激勵(lì)輸入，具體工況為0.1Hz-1Hz的位移輸入為20mm，2Hz-9Hz的位移輸入為10mm，10Hz-15Hz的位移輸入為5mm。采集的輸出信號(hào)為慣容器兩端點(diǎn)的力信號(hào)。(2)建立慣容器預(yù)測(cè)模型，選取輸入列向量與輸出向量。所構(gòu)建的預(yù)測(cè)模型是基于量子遺傳支持向量機(jī)的預(yù)測(cè)模型，其中，以慣容器自由端在時(shí)間序列中某時(shí)刻的位移輸入、速度輸入與加速度輸入組成的列向量構(gòu)成輸入列向量，以慣容器兩端點(diǎn)的力信號(hào)作為輸出向量。由于本實(shí)施例的激勵(lì)輸入為正弦型位移輸入，其解析表達(dá)式為x＝Asin(2πft)，其中，A為振幅，f為頻率。對(duì)位移表達(dá)式求導(dǎo)可以得到速度表達(dá)式為：v＝-A*(2πf)cos(2πft)，加速度表達(dá)式為a＝A*(2πf)2sin(2πft)。在Matlab/Simulink模塊中搭建速度輸入、加速度輸入時(shí)域曲線，每個(gè)周期采集樣本數(shù)據(jù)點(diǎn)20個(gè)，每個(gè)工況輸入為5個(gè)周期，由此完成100組樣本數(shù)據(jù)點(diǎn)的采集。(3)建立預(yù)測(cè)模型的訓(xùn)練集與測(cè)試集；在100組測(cè)試樣本中，任意選取70組樣本數(shù)據(jù)作為預(yù)測(cè)模型的訓(xùn)練集，另外30組數(shù)據(jù)作為預(yù)測(cè)模型的測(cè)試集。(4)選擇相應(yīng)的核函數(shù)及初始化模型參數(shù)；本實(shí)施例選取泛化能力與模型預(yù)測(cè)正確率均較優(yōu)的徑向基核函數(shù)進(jìn)行預(yù)測(cè)模型的構(gòu)建，初始化模型參數(shù)中，懲罰因子與核函數(shù)方差均初始化為1。(5)利用量子遺傳算法對(duì)模型參數(shù)進(jìn)行優(yōu)化求解，獲取最佳的模型參數(shù)；在所建立的70組樣本數(shù)據(jù)訓(xùn)練集中，以訓(xùn)練集預(yù)測(cè)結(jié)果的均方誤差作為量子遺傳算法的適應(yīng)度函數(shù)，設(shè)定遺傳算法的種群大小為50，進(jìn)化代數(shù)為100，優(yōu)化變量的取值范圍均設(shè)置為[0,10]。量子旋轉(zhuǎn)門(mén)的調(diào)整操作為：αi′βi′=cos(θi)-sin(θi)sin(θi)cos(θi)αiβi]]>其中，(αi,βi)T與(αi′,βi′)T代表染色體第i個(gè)量子比特旋轉(zhuǎn)門(mén)更新前后的概率幅，θi為旋轉(zhuǎn)角。經(jīng)過(guò)優(yōu)化求解，得到懲罰因子的取值為0.4，核函數(shù)中的方差取值為0.6。(6)將優(yōu)化后的模型參數(shù)代入所構(gòu)建的預(yù)測(cè)模型，對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，并檢驗(yàn)?zāi)Ｐ途?；將?yōu)化得到的懲罰因子與核函數(shù)方差代入預(yù)測(cè)模型，對(duì)70組數(shù)據(jù)樣本進(jìn)行訓(xùn)練，得到訓(xùn)練結(jié)果，檢驗(yàn)是否滿足精度要求。模型的精度可以通過(guò)均方誤差E與決定系數(shù)R2來(lái)決斷：E=1nΣi=1n(y^i-yi)2]]>R2=(nΣi=1ny^iyi-Σi=1ny^iΣi=1nyi)2(nΣi=iny^i2-(Σi=1ny^i)2)(nΣi=1nyi2-(Σi=1nyi)2)]]>其中，n為測(cè)試集樣本的個(gè)數(shù)，yi為第i個(gè)樣本的真實(shí)值，為第i個(gè)樣本的預(yù)測(cè)值。在本實(shí)施例中，所設(shè)定的精度要求為：E<0.01，R2>99％。(7)利用建立的預(yù)測(cè)模型對(duì)慣容器的力學(xué)輸出進(jìn)行預(yù)測(cè)與性能評(píng)價(jià)；下表給出了0.5Hz、3Hz、10Hz激振頻率下的預(yù)測(cè)效果對(duì)比：如圖2-4所示的分析可知，激振頻率在0.5Hz下，采用量子遺傳算法優(yōu)化的QGA-SVM預(yù)測(cè)模型的決定系數(shù)由97.04％提升至99.01％，均方誤差由0.004852降至0.002373，降幅達(dá)51.09％；激振頻率在3Hz下，QGA-SVM預(yù)測(cè)模型相較于SVM預(yù)測(cè)模型的決定系數(shù)由97.61％提升至99.41％，均方誤差由0.002945降至0.001138，降幅達(dá)61.36％；在激振頻率為10Hz情況下，相較于SVM預(yù)測(cè)模型，改進(jìn)的QGA-SVM預(yù)測(cè)模型的決定系數(shù)由97.35％提升至99.32％，均方誤差由0.003779降至0.001475，降幅達(dá)60.97％。綜上可以看出，采用量子遺傳算法優(yōu)化的支持向量機(jī)預(yù)測(cè)模型具備更高的預(yù)測(cè)精度。在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示意性實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。當(dāng)前第1頁(yè)1 2 3