买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京大学

摘要：本发明公开了基于神经网络的流管近似生成方法、装置、介质及设备。该方法首先按照连续系统的运行时长进行分段，然后构建出各个时段对应的深度神经网络，然后通过连续系统的仿真，构建出各个时段对应的正例样本集合和反例样本集合，然后以正例样本集合和反例样本集合作为训练样本训练这些时段的深度神经网络，然后基于训练好了的深度神经网络模型参数构建出各个时段对应的混合整型规划约束编码，并将可达问题转换成约束求解问题进行求解，基于求解的结果，确定是否对深度神经网络做进一步训练。相比于传统的多面体近似或泰勒模型近似的方法，该方法基于深度神经网络近似的精度高，并有效避免了长时间下流管的精度随时间增加而下降的问题。

主权项：1.基于神经网络的流管近似生成方法，其特征在于，该方法包括如下步骤：步骤S1：获取待处理的连续系统的信息；所述连续系统的信息至少包括系统量、系统量关于时间的微分方程、系统量的初始值域以及连续系统的运行时长；步骤S2：根据所述运行时长对连续系统的运行时间按照等时长的方式划分成N个时段，并为N个时段分别构建连续系统的仿真深度神经网络；步骤S3：通过系统量在初始值域内外的采样对连续系统进行模拟运行，为N个时段分别构建出正例样本集合和反例样本集合；所述正例样本集合和反例样本集合均为样本集合；所述样本为系统量的采样值；所述正例样本集合中，系统量的采样值基于在系统量在初始值域内采样后经连续系统的模拟运行得到；所述反例样本集合中，系统量的采样值基于在系统量在初始值域外采样后经连续系统的模拟运行得到；步骤S4：以N个时段的正例样本集合和反例样本集合中的样本分别作为N个时段的仿真深度神经网络的训练样本输入至对应的仿真深度神经网络进行训练；步骤S5：抽取出N个训练好的仿真深度神经网络的模型参数数据，并根据所抽取的模型参数数据构建出N个时段对应的描述仿真深度神经网络最大输出问题的混合整型约束编码，然后通过混合整型规划约束求解器对所述混合整型约束编码进行仿真深度神经网络最大输出问题的约束求解，得到对应的极值和极值点；若极值大于零，则将对应的极值点加入至对应的反例样本集合后，继续对该仿真深度神经网络进一步训练，直到对应的极值小于等于零；所述仿真深度神经网络包括一个输入层、n个隐藏层、一个输出层，表示为：Aout＝woutzn+bout；zk＝δwkzk-1+bk,k＝1,2,…,n；z0＝x；其中，Aout为仿真深度神经网络的输出；wout和bout为仿真深度神经网络输出层参数，wout为向量，bout为数值；wk和bk为仿真深度神经网络第k个隐藏层参数，均为向量，其中，k＝1,2,…,n；zk为仿真深度神经网络第k个隐藏层输出向量，其中，k＝1,2,…,n；z0为仿真深度神经网络输入层输出向量；x为由系统量组成的向量；n表示仿真深度神经网络所包含的隐藏层层数；δ为激活函数。

全文数据：

权利要求：

百度查询： 南京大学 基于神经网络的流管近似生成方法、装置、介质及设备