今天給大家介紹一篇北京派和科技股份有限公司合作的壓電驅(qū)動(dòng)器系統(tǒng)建模工作。本文探索了結(jié)合小波變換、卷積層和門(mén)控循環(huán)單元在遲滯特性和低阻尼振動(dòng)特性建模中的可行性，并通過(guò)實(shí)驗(yàn)驗(yàn)證了其建模精度及未參與訓(xùn)練數(shù)據(jù)上的泛化能力。
論文標(biāo)題：Modeling nonlinear behavior of piezoelectric actuators using improved WT-GRU neural network
下載地址：https://journals.sagepub.com/doi/10.1177/1045389X241297522
研究背景
遲滯、低阻尼振動(dòng)以及兩者耦合嚴(yán)重影響了壓電驅(qū)動(dòng)系統(tǒng)的精確控制和高效率應(yīng)用。這篇文章著重解決低阻尼振動(dòng)與遲滯的耦合問(wèn)題，探索它們對(duì)微型LED芯片巨量轉(zhuǎn)移系統(tǒng)的影響。近年來(lái)，深度學(xué)習(xí)技術(shù)的快速發(fā)展為建模和控制算法提供了新的可能性。文章結(jié)合小波變換、卷積層和門(mén)控循環(huán)單元改進(jìn)深度神經(jīng)網(wǎng)絡(luò)。下面給大家詳細(xì)介紹一下改進(jìn)WT-GRU的實(shí)現(xiàn)方法。
實(shí)現(xiàn)細(xì)節(jié)
改進(jìn)的WT-GRU模型由以下關(guān)鍵部分構(gòu)成：
1、小波變換層（Wavelet transform layer）：用于捕捉信號(hào)中的時(shí)頻信息，從而增強(qiáng)對(duì)遲滯和低阻尼振動(dòng)特性的建模能力。
2、卷積層（Convolutional layer）：通過(guò)局部感受野和權(quán)值共享機(jī)制，提取高效的特征表示。
3、門(mén)控循環(huán)單元（Gated Recurrent Unit, GRU）：利用門(mén)控機(jī)制學(xué)習(xí)長(zhǎng)期依賴(lài)信息，有助于捕捉系統(tǒng)動(dòng)態(tài)特性。
改進(jìn)WT-GRU模型通過(guò)多層架構(gòu)設(shè)計(jì)，有效地融合了時(shí)頻分析和序列建模能力，從而在模擬復(fù)雜非線(xiàn)性系統(tǒng)時(shí)展現(xiàn)出優(yōu)異性能。
實(shí)驗(yàn)效果
通過(guò)與Hammerstein、LSTM、EMD-LSTM和LSTMseq2seq模型進(jìn)行對(duì)比，改進(jìn)的WT-GRU模型在多個(gè)評(píng)估指標(biāo)（如平均絕對(duì)誤差、均方根誤差和決定系數(shù)）上均表現(xiàn)優(yōu)異，尤其是在捕捉非線(xiàn)性系統(tǒng)動(dòng)力學(xué)方面。
模型擬合能力對(duì)比: (a) hammerstein, (b) LSTM, (c) EMD-LSTM, (d) LSTMseq2seq, (e) improved WT-GRU
