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！

龙图腾网恭喜福州大学申请的专利一种基于深度学习的电磁作动器非线性补偿方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116306786B 。

龙图腾网通过国家知识产权局官网在2025-06-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310302715.1，技术领域涉及：G06N3/0442；该发明授权一种基于深度学习的电磁作动器非线性补偿方法是由钟舜聪;陈丽武;李劲林;李怡杰设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本一种基于深度学习的电磁作动器非线性补偿方法在说明书摘要公布了：本发明涉及一种基于深度学习的电磁作动器非线性补偿方法，包括：构建基于洛伦兹力的非接触式一维电磁作动器数据采集系统，通过加速度传感器及位移传感器采集给定电压下电磁作动器各位置下的输出加速度；利用采集的输出加速度数据，得到目标加速度下各位置的补偿电压，形成电磁作动器位置‑补偿电压数据集；对位置‑补偿电压数据进行归一化及滑动时间窗法处理；将处理后的数据划分为训练集和测试集；确定主要由CNN和BiLSTM构成的深度学习补偿模型的初始参数；对深度学习补偿模型进行训练及测试；利用训练好的深度学习补偿模型对电磁作动器进行非线性补偿。该方法不仅可以提高电磁作动器非线性补偿效果，而且简化了建模过程，减少了计算量和时间成本。

本发明授权一种基于深度学习的电磁作动器非线性补偿方法在权利要求书中公布了：1.一种基于深度学习的电磁作动器非线性补偿方法，其特征在于，包括以下步骤：步骤S1：构建基于洛伦兹力的非接触式一维电磁作动器数据采集系统，通过加速度传感器及位移传感器采集给定固定电压下电磁作动器各位置下的输出加速度；步骤S2：利用步骤S1采集到的固定电压下电磁作动器各位置下的输出加速度数据，得到目标加速度下各位置所需的补偿电压，形成电磁作动器位置-补偿电压数据集；步骤S3：对步骤S2得到的位置-补偿电压数据集中的位置-补偿电压数据进行归一化处理，并利用滑动时间窗法进行处理，形成深度学习补偿模型的输入数据；步骤S4：将步骤S3处理后的数据按设定比例划分为训练集和测试集；步骤S5：确定主要由卷积神经网络和双向长短期记忆神经网络构成的深度学习补偿模型的初始参数；步骤S6：通过训练集对深度学习补偿模型进行训练，并通过测试集进行测试，然后保存训练好的深度学习补偿模型；步骤S7：给定电磁作动器的目标输出加速度，利用训练好的深度学习补偿模型对电磁作动器进行非线性补偿；所述深度学习补偿模型主要使用两个通道对具有时间序列特征的位移数据进行特征挖掘，两个通道的输入均为按预先确定的时间步长及滑动时间窗法将原始数据重新构造后的数据；其中，BiLSTM通道利用双向长短期记忆神经网络BiLSTM进行双向全局时间特征的充分提取，CNN通道利用一维卷积神经网络1DCNN对时序信号沿时间轴正反向进行局部非相关特征的提取，以获得更多的时间特征；两个通道均通过注意力机制分配权重给每个时间步；然后将CNN通道和BiLSTM通道的数据特征进行融合，实现特征合并；最后通过全连接层进行回归层预测，得到不同位置下的预测补偿电压；在CNN通道中，1DCNN网络对输入的一维信号进行特征提取，其过程是使用卷积核按设定的步长对输入信号进行局部卷积操作，依次遍历提取输入数据局部特征，再使用激活函数对特征进行类别映射，生成一维特征图；一维卷积运算的表达式如下所示：ci＝σΣLi*wi+bi其中，ci为卷积后输出特征图，Li为输入的局部数据，wi为卷积核的权值，bi为权重偏置值，σ为激活函数；然后通过一维池化运算减少特征图尺寸和模型运算量，降低模型复杂度，增大感受野，并提取卷积运算后的主要特征；一维池化运算的计算公式如下所示： 其中，为第l层中划分的第i组中的第m个特征值；f为最大值函数或均值函数，若f为最大值函数，则yl为最大池化运算得到的特征图，若f为均值函数，则yl为均值池化运算得到的特征图；BiLSTM网络包括一个正向LSTM层和一个反向LSTM层，水平方向并行处理每个时间步长下的正反向LSTM隐含向量，垂直方向则单向地从输入层到隐含层再到输出层，通过BiLSTM网络获得更多的数据特征；BiLSTM将t时刻LSTM单元的正反向输出进行拼接，更新过程如下： 其中，分别为t时刻LSTM单元的正、反向输出，ht为BiLSTM网络的输出，Rn为n维向量集；所述深度学习补偿模型将软性注意力机制引入两个通道中，对不同时刻历史数据片段的重要程度进行鉴别，以合理分配权重给每个时间步；所述软性注意力机制的实现过程包括以下步骤：1计算注意力打分函数sXi,q，X为输入向量，q为查询向量，利用打分函数计算每个输入向量与查询向量之间的相关性；2计算注意力分布αi，利用注意力向量z∈[1,N]表示选择信息的索引位置，z＝i表示第i个输入信息； 3根据注意力分布计算输入数据的加权平均，得到attention值； 所述打分函数的计算方式包括：加性模型、点积模型、缩放点积模型和双线性模型；加性模型：sXi,q＝vTtanhWXi+Uq点积模型：缩放点积模型：双线性模型：其中，W、U和v是可学习的网络参数，d是输入数据的维度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。