[發(fā)明專利]功能性電刺激PID參數(shù)雙源特征融合微粒子群整定方法

有效

• 申請?zhí)枺?/td>: 201010184133.0
• 申請日: 2010-05-27
• 公開（公告）號: CN101816822A
• 公開（公告）日: 2010-09-01
• 發(fā)明（設(shè)計）人: 明東;張廣舉;邱爽;徐瑞;劉秀云;程龍龍;萬柏坤
• 申請（專利權(quán)）人: 天津大學
• 主分類號: A61N1/36
• 分類號: A61N1/36;A61H3/00
• 代理公司: 天津市北洋有限責任專利代理事務(wù)所 12201
• 代理人: 劉國威

1.一種功能性電刺激PID參數(shù)雙源特征融合微粒子群整定方法，其特征是，包括下列步驟：

首先，利用助行過程的柄反作用矢量HRV預測膝關(guān)節(jié)角度；

其次，利用混沌微粒群算法整定比例微積分PID參數(shù)，實時調(diào)控FES電流水平強度，整定流程為：首先根據(jù)比例微積分PID參數(shù)的三個決策變量K_p、K_i和K_d取值范圍的上下界，確定包括粒子群群體規(guī)模、搜索空間維數(shù)的參數(shù)，并初始化粒子群體的速度和位置，然后利用通過實際關(guān)節(jié)角度與肌肉模型輸出關(guān)節(jié)角度的相應(yīng)關(guān)系作為適度評價函數(shù)計算粒子群中每一個粒子的適應(yīng)度值，相應(yīng)關(guān)系是L＝M×HRV^-1，其中，M表示膝關(guān)節(jié)角度，HRV表示使用者施加在步行器上力的柄反作用矢量，L表示HRV與M之間的關(guān)系，采用偏最小二乘回歸的方法確定肌肉模型輸出關(guān)節(jié)角度，并將該粒子的適應(yīng)度值與最佳位置適應(yīng)度值作比較，且將該粒子的適應(yīng)度值與該粒子本身的最佳位置作為粒子代表值，然后再調(diào)整粒子的速度及其他參數(shù)，改變粒子的最佳位置，直到穩(wěn)定為止，計算最終最佳的位置即得比例微積分PID參數(shù)的三個決策變量K_p、K_i和K_d，在新的比例微積分PID參數(shù)下計算功能性電刺激FES系統(tǒng)輸出yout及其與肌肉模型輸出關(guān)節(jié)角度的偏差后再進入下一步混沌微粒群算法神經(jīng)網(wǎng)絡(luò)的自學習與當時PID參數(shù)的三個決策變量K_p、K_i和K_d的加權(quán)系數(shù)的自調(diào)整，反復此過程，最終實現(xiàn)比例微積分PID參數(shù)的自適應(yīng)在線整定，并用于功能性電刺激FES系統(tǒng)。

2.根據(jù)權(quán)利要求1所述的一種功能性電刺激PID參數(shù)雙源特征融合微粒子群整定方法，其特征是，肌肉模型輸出關(guān)節(jié)角度是采用偏最小二乘回歸的方法，即：

設(shè)有m個HRV變量HRV1，…，HRVm，p個M變量，M1，…，Mp，共i個觀測值的數(shù)據(jù)集，i＝1，…，n；T、U分別為從HRV變量與M變量中提取的成分，稱為偏最小二乘因子，從原始變量集中提取第一對成分T1、U1的線性組合為：

T₁＝ω₁₁HRV₁+…+ω_1mHRV_m＝ω′₁HRV????(4)

U₁＝v₁₁M₁+…+v_1pM_p＝v′₁M?????????????(5)

其中ω₁＝(ω₁₁，…，ω_1m)′為模型效應(yīng)權(quán)重，v₁＝(v₁₁，…，v_1p)′為M變量權(quán)重，將上述提取第一對成分的要求轉(zhuǎn)化為求條件極值問題：

其中t1、u1為由樣本求得的第一對成分的得分向量，HRV0、M0為初始變量，利用拉格朗日乘子法，上述問題轉(zhuǎn)化為求單位向量ω₁和v₁，使θ₁＝ω′₁HRV′₀M′₀v₁′最大，即求矩陣HRV′₀M₀M′₀HRV₀的特征值和特征向量，其最大特征值為θ₁²，相應(yīng)的單位特征向量就是所求的解ω₁，而v₁由公式得到；

其次建立初始變量對T1的方程?

其中t1意義同前，α′₁＝(α₁₁，…，α_1m)，β′₁＝(β₁₁，…，β_1p)為僅一個M變量t1時的參數(shù)向量，E1、F1分別為n×m和n×p殘差陣，按照普通最小二乘法求得系數(shù)向量α₁和β₁，其中α₁稱為模型效應(yīng)載荷量；

如提取的第一對成分不能達到回歸模型的精度，運用殘差陣E1、F1代替HRV₀、M₀，重復提取成分，依次類推，假設(shè)最終提取了r個成分，HRV0、M0對r個成分的回歸方程為：

把第一步分析所得HRV量中提取成分Tk(k＝1，…，r)線性組合帶入M變量對r個成分建立的回歸方程，即t_r＝ω_k1HRV₁+…+ω_kmHRV_m代入M_j＝t₁β_1j+…t_rβ_rj(j＝1，…，p)，即得標準化變量的回歸方程M_j＝α_j1HRV₁+…+α_jmHRV_m；

最后根據(jù)公式L＝M×HRV^-1，即可求出L。

3.根據(jù)權(quán)利要求1所述的一種功能性電刺激PID參數(shù)雙源特征融合微粒子群整定方法，其特征是，利用混沌微粒群算法整定PID參數(shù)，進一步細化為：

比例微積分PID采用比例單元P、積分單元I和微分單元D三部分組成，根據(jù)功能性電刺激系統(tǒng)的誤差，通過設(shè)定的K_p、K_i和K_d三個參數(shù)對功能性電刺激系統(tǒng)進行控制：

其中K_p是比例系數(shù)，K_i是積分系數(shù)，K_d是微分系數(shù)，error為預設(shè)輸出與實際輸出的偏差，u(t)為PID的輸出，同時又是受控系統(tǒng)的輸入，由PID輸出公式

可以得到

根據(jù)：

Δu(t)＝u(t)-u(t-1)

＝K_p(error(t)-error(t-1))+K_ierror(t)+K_d(error(t)-2error(t-1)+error(t-2))……………………………………………………………(11)

有：

u(t)＝Δu(t)+u(t-1)＝

u(t-1)+K_p(error(t)-error(t-1))+K_ierror(t)+K_d(error(t)-2error(t-1)+error(t-2))?

………………(12)

采用混沌微粒群算法進行比例微積分PID控制參數(shù)的自適應(yīng)優(yōu)化，選擇搜索空間為3維，即分別為PID控制器的三參數(shù)，選取群體規(guī)模m＝20，群體的初始速度和位置在一定的空間范圍內(nèi)隨機產(chǎn)生，分別表示為：v_i＝(v_i1，v_i2，v_i3)，x_i＝(x_i1，x_i2，x_i3)，記第i個粒子迄今搜索到最優(yōu)位置為p_i＝(p_i1，p_i2，p_i3)，整個粒子群迄今為止搜索到得最優(yōu)位置為p_gi＝(p_gi1，p_gi2，p_gi3)，其中，i＝1，2，…，20，粒子群優(yōu)化算法采用以下公式對粒子群操作，v_id←v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gid-x_id)+c₃r₃(q_id-x_id)???????(13)

x_id←x_id+v_id?????(14)

其中，學習因子c₁、c₂和c₃是非負數(shù)，取值為0.5；r₁、r₂和r₃是介于[0，1]之間的隨機數(shù)，q_id是隨機選取粒子的位置，d表示離子的編碼方法，d＝10；

實現(xiàn)的具體步驟為：

1、確定參數(shù)：學習因子c₁、c₂和c₃，和群體的規(guī)模N，進化次數(shù)以及混沌尋優(yōu)次數(shù)；

2、隨機產(chǎn)生N個粒子進行操作；

3、按公式(13)和(14)對粒子進行操作；

4、對最優(yōu)位置p_gi＝(p_gi1，p_gi2，p_gi3)進行混沌優(yōu)化，將p_gid映射到Logistic方程z_i+1＝μz_i(1-z_i)，z_i+1為混沌變量的值，其定義域為[0，1]，μ為Logistic控制參數(shù)，控制混沌狀態(tài)；?然后，用Logistic方程進行迭代產(chǎn)生混沌變量?m＝1，2，……，再把產(chǎn)生的混沌變量序列?通過逆映射?返回到原解空間，得?a_id表示PID參數(shù)中每個最小的參數(shù)，b_id表示PID參數(shù)中每個最大的參數(shù)；

在原解空間對混沌變量經(jīng)歷的每一個可行解?計算其適應(yīng)值，保留性能最好的可行解p^*；

5、隨機從當前群體中選出的一個粒子用p^*取代；

6、若達到最大迭代次數(shù)或者得到滿意解，則優(yōu)化過程結(jié)束，否則返回步驟3。?