(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211361602.0 (22)申请日 2022.11.02 (71)申请人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 吴腾　李志鹏　向星宇　白洁　 贺耀北　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 孙薇 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种基于LSTM的MR阻尼器的逆向映射模型 (57)摘要 本发明公开了一种基于LSTM的MR 阻尼器的 逆向映射模型， 包括输入层、 输出层和隐藏层， 其 中， 隐藏层的数量为多个， 每个隐藏层包括多个 网络单元， 每个网络单元包括输入门、 遗忘门、 输 出门和单元状态， 输入门用于控制当前时刻的输 入信息保存到当前时刻单元状态中的占比， 遗忘 门用于控制上一时刻 的单元状态保留到当前时 刻单元状态中的占比， 输出门用于控制当前的单 元状态Ct能够作为当前 的输出值ht的数量， 输出 层还连接一个单层全连接神经网络用于输出特 征。 本发明提供的基于LSTM的MR阻尼器的逆向映 射模型， 以实现结构的半主动控制， 解决了基于 MR阻尼器半主动控制系统控制器设计困难的问 题， 充分发挥半主动控制装置的优势， 到理想的 拉索减振效果。 权利要求书2页 说明书7页 附图1页 CN 115510593 A 2022.12.23 CN 115510593 A 1.一种基于LSTM的MR阻尼器的逆向映射模型， 其特征在于， 包括输入层、 输出层和隐藏 层， 其中， 所述隐藏层的数量为多个， 每个隐藏层包括多个网络单元， 每个网络单元包括输 入门、 遗忘门、 输出门和单元状态， 在单元状态更新过程中， 所述输入门用于控制当前时刻 的输入信息保存到 当前时刻单元状态中的占比， 所述遗忘门用于控制上一时刻的单元状态 保留到当前时刻单元状态中的占比， 所述输出门用于控制当前的单元状态Ct能够作为当前 的输出值ht的数量， 所述输出层还连接一个单层全连接神经网络用于 输出特征； 在模型训练前， 设定的超参数包括批处理大小、 时间步长、 隐藏层单元个数、 学习率初 始值、 网络层数、 激活函数和损失函数； 所述全连接神经网络以Relu函数作为激活函数， 隐 藏层的激活函数为tanh函数； MR阻尼器正常工作情况下， 所述输入层用于输入活塞的位移、 速度和控制力， 输出层用于输出控制电流值， 并采用均方根误差函数作为网络训练的损失 函数。 2.根据权利 要求1所述的基于LSTM的MR阻尼器的逆向映射模型， 其特征在于， 网络反向 传播的优化方法， 包括： S1、 更新训练步数为t＝t+1； S2、 抽取m组训练数据样本、 输入为{x(1),…,x(m)}、 输出为{y(1),…,y(m)}， 将输入输出作 为一个训练批次， 计算当前训练步t的梯度gt： 其中， θ0为参数向量θ 的初始值； S3、 采用历史梯度的加权平均值对当前的梯度值进行修正， 得到梯度 更新值， 并随机对 一阶矩估计进行 更新： st＝ρ1st‑1+(1‑ρ1)gt 其中， s0一阶矩估计s的初始值； S4、 对二阶矩估计进行 更新： rt＝ρ2rt‑1+(1‑ρ2)gt⊙gt 其中， r0为二阶矩估计r的初始值； S5、 对一阶、 二阶矩估计进行修 正： 其中， ρ1、 ρ2用于控制矩估计的指数衰减率； S6、 更新参数向量： 其中， ε为 步长(初始学习率)； δ用于避免分母为0， 维护数值计算稳定的小常数； S7、 进入下一个批次的训练。 3.根据权利 要求1所述的基于LSTM的MR阻尼器的逆向映射模型， 其特征在于， 对网络超 参数进行优化的方法， 包括：权　利　要　求　书 1/2 页 2 CN 115510593 A 2设置粒子群参数； 其中， 所述粒子群参数包括粒子群规模、 粒子维度、 惯性权重、 学习因 子和迭代次数； 随机初始化粒子的位置和速度， 得到个体历史最优位置、 全局历史最优位置、 个体历史 最优适应值、 全局历史最优适应值； 判断所述个体历史最优位置、 全局历史最优位置、 个体历史最优适应值、 全局历史最优 适应值是否满足结束条件； 若所述个体历史最优位置、 全局历史最优位置、 个体历史最优适应值、 全局历史最优适 应值满足结束条件， 则输出最优解； 其中， 所述结束条件为达 到苏搜狐迭代次数； 若所述个体历史最优位置、 全局历史最优位置、 个体历史最优适应值、 全局历史最优适 应值不满足结束条件， 则更新每 个粒子的速度和位置， 并计算 适应度值； 当全局最优适应度值和位置更新 时， 更新惯性权重、 迭代次数和学习因子， 返回所述判 断所述个体历史最优位置、 全局历史最优位置、 个体历史最优适应值、 全局历史最优适应值 是否满足结束条件的步骤。 4.根据权利 要求3所述的基于LSTM的MR阻尼器的逆向映射模型， 其特征在于， 所述更新 每个粒子的速度和位置中， 公式为： 其中， w为速度惯性权 重， c1、 c2为学习因子， r1、 r2为均匀分布在0～1之间的随机数。 5.根据权利 要求1所述的基于LSTM的MR阻尼器的逆向映射模型， 其特征在于， 所述遗忘 门的前向计算公式为： ft＝σ(Wf·[ht‑1,xt]+bf) 其中， Wf、 bf、 σ 分别为遗 忘门的权 重矩阵， 偏置序列以及激活函数； 所述输入门的前向计算公式为： it＝σ(Wi·[ht‑1,xt]+bi) 其中， Wi、 bi、 σ 分别为输入门的权 重矩阵、 偏置序列以及激活函数； 所述输出门的前向计算公式为： ot＝σ(Wo·[ht‑1,xt]+bo) ht＝ot×tanh(Ct) 误差反向传播公式为： 权　利　要　求　书 2/2 页 3 CN 115510593 A 3