52、基于LSTM网络的TCA迟滞建模与SMA线束线性执行器可扩展性提升研究

基于LSTM网络的TCA迟滞建模与SMA线束线性执行器可扩展性提升研究

基于LSTM网络的TCA迟滞建模

在TCA（Twisted-Coiled Actuators）的研究中，利用LSTM（Long Short-Term Memory）网络进行迟滞建模是一个重要的方向。

LSTM网络中的输入门、遗忘门和输出门分别用$o_t \in R^n$表示，$W^k$、$U^k$和$b^k$（$k \in {i, f, o}$）是各大门的参数。通过控制遗忘门，可以控制上一时刻的细胞状态$c_{t - 1}$有多少会被复制到下一时刻的细胞状态；通过控制输入门，可以控制新的状态候选值$\tilde{c}_t$有多少会被添加到下一时刻的细胞状态。当$f_t = 1$时，过去的记忆细胞会随时间保存并传递到下一步，这有助于缓解梯度消失问题，更好地捕捉长距离依赖关系。

LSTM用于对抗驱动TCA的模型

之前的工作中，LSTM模型是在固定的TCA配置下进行训练和测试的。为了获得最佳预测性能，TCA执行器的预应变等配置的任何变化都需要新的数据和训练。为克服这一限制，研究将TCA配置参数作为LSTM网络的输入。
- 模型结构 ：输入1和3包括要施加的当前功率、相应的风扇信号和先前状态，经过一个LSTM层，再经过一个带有ReLU激活函数的全连接层，以预测执行器1和2的温度。其余输入包括关节角度的先前状态和预应变信息$l_0$，经过一个LSTM层和一个带有ReLU激活函数的全连接层后，输出与预测的温度值相结合，再经过另一个带有ReLU激活函数的全连接层来估计关节角度。
- 损失评估与防止过拟合