本申请涉及机器学习和模式识别，尤其涉及一种基于再生核空间机器学习的分数阶系统的参数识别方法。
背景技术：
1、分数阶微积分具有记忆性和非局部性，非常适用于描述现实世界中具有记忆及遗传性质的系统。分数阶系统，可以更精确地描述具有历史依赖性和全域相关性的复杂系统，在地震分析、机器人、医学成像、信号分析与处理等很多领域具有重要的应用。由于分数阶导数的非局部性，相比于整数阶系统识别，分数阶系统识别方法的研究要困难得多，更具挑战性。
2、分数阶系统识别的一个技术难点是离散的样本信息的处理，通常只能获得输出样本轨道的离散信息，这些离散信息是含有噪音的，需要通过数据处理获得理想的连续近似轨道。
3、分数阶系统识别的另一个技术难点是轨道信息导数的估计。通常的识别方法需要用到样本轨道导数信息，不幸的是，数值导数对噪声是极其敏感的，从而会产生人为的噪声，通过数据处理获得的近似样本轨道的导数和真实轨道导数的误差一般较大，甚至严重偏离，从而导致系统识别的不稳定性，难以获得理想的识别参数。
技术实现思路
1、为了解决上述技术问题，本申请实施例提供一种基于再生核空间机器学习的分数阶系统的参数识别方法，把轨道(函数型数据)作为基本的数据单元，并通过定义的占位核把系统的轨道信息嵌入到再生核空间进行研究，避免样本轨道导数信息的使用，从而提升识别方法的鲁棒性。
2、本申请实施例提供了一种基于再生核空间机器学习的分数阶系统的参数识别方法，包括：
3、步骤s1：基于应用场景构建应用模型，确立并构建分数阶系统的状态方程，以及待识别参数；
4、步骤s2：通过数值模拟采样构建识别状态方程所需要用的样本轨道的离散数据集，对所述离散数据集中的噪音通过正则化的核函数方法进行去噪处理以获得连续的近似样本轨道；
5、步骤s3：将分数阶系统转化成积分系统；
6、步骤s4：利用步骤s3之后所获得的近似样本轨道，构造待识别参数的泛函信息；
7、步骤s5：基于泛函信息选择合适的再生核希尔伯特空间核函数；利用再生核空间机器学习中的表示定理，给出分数阶系统待识别参数的估计。
8、进一步地，所述步骤s1中的应用场景包括锂离子电池荷电状态估计或开关电容变换器效率分析或经济短期预测。
9、进一步地，所述步骤s1中的分数阶系统的状态方程为其中t∈[0,t]，dq表示q阶caputo分数阶导数，0＜q＜1，x:[0,t]→ω∈r(ω为紧集)，g:r→r，f(t)为已知连续函数，β(t)为待识别函数，t为变量t的取值上限。
10、进一步地，所述步骤s2具体包括：
11、步骤s21、准备训练所需数据集，样本轨道的离散信息，n表示轨道的个数；
12、步骤s22、利用正则化的核回归函数方法对离散数据集进行处理，获得连续的近似样本轨道
13、进一步地，所述步骤s3中将分数阶系统转化成积分系统
14、
15、进一步地，所述步骤s4中对输出的近似样本轨道信息选择不同的表示在区间(0,t]中选择的时刻数，构造泛函可得泛函信息
16、进一步地，所述步骤s5中根据β(t)的光滑度，选择合适的再生核空间h，通过来获得β(t)的估计，其中
17、本发明的有益效果：
18、1、克服了分数阶系统识别对离散的样本信息处理的难点，样本轨道的分数阶导数含有样本轨道的导数，而近似样本轨道的导数误差较大，将分数阶系统转化成积分系统可以避免使用样本轨道导数的信息，从而提高识别方法的稳定性，具有更好的鲁棒性；
19、2、把轨道(函数型数据)作为基本的数据单元，并通过定义的占位核把系统的轨道信息嵌入到再生核空间进行研究；
20、3、当获取的样本轨道信息数量很少(远远小于待识别的参数个数)，甚至只有一个样本轨道信息时，最小二乘等经典的方法将无法处理，因为最小二乘估计需要确定的参数往往多于样本信息的个数；本方案可以借助有限的样本轨道信息构造更多的泛函样本信息，获得的估计的待确定参数等于样本信息的个数，对于样本轨道信息数量很少时仍然有效。
1.一种基于再生核空间机器学习的分数阶系统的参数识别方法，其特征在于，包括：
2.根据权利要求1所述的基于再生核空间机器学习的分数阶系统的参数识别方法，其特征在于，所述步骤s1中的应用场景包括锂离子电池荷电状态估计或开关电容变换器效率分析或经济短期预测。
3.根据权利要求1所述的基于再生核空间机器学习的分数阶系统的参数识别方法，其特征在于，所述步骤s1中的分数阶系统的状态方程为
4.根据权利要求1所述的基于再生核空间机器学习的分数阶系统的参数识别方法，其特征在于，所述步骤s2具体包括：步骤s21、准备训练所需数据集，构建样本轨道的离散信息，n表示轨道的个数；
5.根据权利要求3所述的基于再生核空间机器学习的分数阶系统的参数识别方法，其特征在于，所述步骤s3中将分数阶系统转化成积分系统其中，γ(q)为伽马函数。
6.根据权利要求4所述的基于再生核空间机器学习的分数阶系统的参数识别方法，其特征在于，所述步骤s4中对输出的近似样本轨道信息选择不同的0＜tj≤t,表示在区间(0,t]中选择的时刻数，构造泛函可得泛函信息
7.根据权利要求1所述的基于再生核空间机器学习的分数阶系统的参数识别方法，其特征在于，所述步骤s5中根据β(t)的光滑度选择合适的再生核空间h，通过来获得β(t)的估计其中
