1.基于遗传优化和数据滤波的分数阶超精密平台辨识方法,其特征在于,包括如下步骤:步骤1)构建一个具有分数阶的超精密平台非线性系统模型,并获得包含分数阶线性动态部分和静态非线性部分的分数阶非线性系统模型;
步骤2)构建出基于数据滤波的改进遗传优化辨识方法;
所述步骤2)具体包括以下步骤;
步骤一)初始化基于数据滤波的改进遗传优化算法的初始因子;
步骤二)收集超精密平台的输入数据为驱动电机产生的推力,输出数据为刀片移动位置,构建输出向量;
步骤三)初始化遗传优化算法,设置最大进化代数,随机生成初始群体;
步骤四)计算群体中各个个体的适应度;
步骤五)令进化次数加一,计算输入输出线性部分以及非线性部分中间变量的估计值;
步骤六)计算信息向量的估计值,并构造信息矩阵的估计值;
步骤七)将选择算子作用于群体,计算非线性交叉规则后,再将交叉算子作用于群体,最后将变异算子作用于群体;
步骤八)群体经过选择、交叉、变异运算之后得到下一代群体,以进化过程中所得到的具有最小适应度的个体作为最优解输出;
步骤九)从最优解中获得分数阶阶次的估计值和滤波参数向量的估计值;
步骤十)执行进化循环,直到进化次数达到总进化次数,停止进化并输出最终估计值;否则,返回步骤五);
所述步骤2)中的步骤一)至步骤十)具体包括以下步骤:(2-1)初始化基于数据滤波的改进遗传算法的初始因子,设置进化代数计数器k为0;设置最大进化代数T,改进遗传算法的交叉系数γ1、γ2、γ3、γ4,变异率γ5;
(2-2)收集超精密平台的可测输入数据和输出数据,利用数据滤波,得到简化噪声干扰的新系统,令M表示数据长度,构造输出向量ZM;
(2-3)初始化遗传算法,随机生成L个个体作为初始群体Θ0,在进化k次k=1,2,…,构造第l个个体,其与参数向量θf的估计值有关;
(2-4)计算进化k次群体Θk中各个个体的适应度;
(2-5)令进化次数k加一,计算输入线性部分中间变量的估计值滤波部分中间变量的估计值输出线性部分中间变量的估计值和噪声部分中间变量的估计值(2-6)构建信息向量的估计值构造信息矩阵的估计值(2-7)将选择算子pl作用于群体,计算非线性交叉规则后,再将交叉算子Υc作用于群体,最后将变异算子Υm作用于群体;
(2-8)群体经过选择、交叉、变异运算之后得到下一代群体,以进化过程中所得到的具有最小适应度的个体作为最优解输出;
(2-9)将分数阶αk的估计值和滤波参数向量的估计值从全局最佳位置中分离出来;
(2-10)执行进化循环,直到k达到总进化次数T,停止进化并输出最终估计值;否则,返回步骤(2-5)。
2.根据权利要求1所述的基于遗传优化和数据滤波的分数阶超精密平台辨识方法,其特征在于,所述步骤1)包括如下步骤:(1-1)利用G-L定义描述分数微分如下:
其中,Dα表示以α为阶次的分数阶,f(·)为非线性或线性函数,h表示采样时间,g表示在时间t=gh时计算导数近似值的样本数,牛顿二项式系数的计算公式中含有欧拉函数,表达式为其中,伽玛函数Γ(·)为
(1-2)构建一个具有分数阶的超精密平台非线性非线性系统模型的结构,模型的表达式如下:ω(t)=B(s-α)r(t) (6)z(t)=w(t)+m(t) (8)其中,t为时间变量,和分别是系统的输入和输出信号,是具有零均值且方差为σ的高斯分布白噪声,输入线性部分中间变量非线性部分中间变量r(t)、输出线性部分中间变量w(t)和噪声部分中间变量m(t)都是未知的,H(·)为非线性函数,s-α表示分数阶后移位运算符:s-αμ(t)=Dαμ(t-1),s-iαμ(t)=(s-i)αμ(t)=Dαμ(t-i);
(1-3)构建具有分数阶的超精密平台非线性系统的非线性模型如下:为了保证参数的唯一性,定义非线性子模块为
其中,为多项式系数,为多项式函数,nβ为非线性多项式阶数,通过推导,并将G-L定义中采样时间设置为1,得到系统的输出为定义分数阶非线性系统的信息向量φ(t,α)和参数向量θ为n=na+nb+nc+nd+nβ-1
输出z(t)可示为
z(t)=φT(t,α)θ+e(t) (11)其中,e(t)是超精密平台非线性系统的噪声输入。