本发明涉及小样本动态系统测量方法领域，具体是一种小样本动态系统的测量建模方法。
背景技术：
1、小样本动态系统是指动态系统中的测量得到可观测的数据量相对较少，通常每个样本中包含的观测数据点很少。例如在压电陶瓷驱动系统中，通常会有有限数量的传感器用于监测驱动器的运动，以及用于控制系统行为的反馈控制器。由于受到物理特性的限制，通常会有有限的测量点用于监测和控制系统的运动，这意味着系统中可用于分析和预测的数据点较少。因此，压电陶瓷驱动系统可以被归类为小样本动态系统。目前很少有研究对这类压电陶瓷驱动系统进行动态不确定度评定，更不要说利用少量样本去评定。
2、在此基础上，随着数据科学的发展，针对动态测量中的不确定度评估问题，人们探索出了几种新兴方法，如蒙特卡洛法、digital filters、贝叶斯理论方法、灰色系统方法以及神经网络方法等，结合各种因素，包括当前的动态测量数据、专家意见等预测未来某时刻的数据。尽管上述方法能够解决动态系统建模和不确定性评估的某些方面问题，但它们在有效模拟非线性动态系统方面存在局限性使问题。
3、近年来，由于神经网络具有对非线性动态模型强大的映射能力，利用神经网络建模动态系统并进行不确定度评定是近期很多学者关注的问题。基于机器学习的测量不确定度评估方法对系统模型的要求不高，虽在大量采样的条件下仍能获得较高的精度，但在面对数据量较小的小样本动态系统时，存在难以精确建立测量模型和难以实现不确定度评估的问题。
技术实现思路
1、本发明提供了一种小样本动态系统的测量建模方法，以解决现有技术小样本动态系统由于数据量少导致的难以进行测量建模和不确定度评估的问题。
2、为了达到上述目的，本发明所采用的技术方案为：
3、一种小样本动态系统的测量建模方法，包括以下步骤：
4、步骤1、获取小样本动态系统的输入数据和对应的输出数据，并对输入数据和输出数据进行归一化处理，得到数据集；
5、步骤2、将步骤1得到的数据集划分为训练集和测试集；
6、步骤3、生成gmenet网络，所述gmenet网络为结合证据回归学习的gru-maml网络框架，并且gmenet网络通过贝叶斯理论来传播概率密度；
7、采用步骤2得到的训练集对生成的gmenet网络进行多次训练，得到训练好的gmenet网络作为小样本动态系统测量模型；
8、步骤4、将步骤2得到的测试集输入至步骤3得到的小样本动态系统测量模型，由小样本动态系统测量模型输出测量预测结果。
9、进一步的步骤2中，采用留一交叉验证方法，将所述数据集划分为训练集和测试集。
10、进一步的，步骤3中每次训练时，gmenet网络采用证据回归来定义损失函数，并将得到的损失反向传递，利用maml算法进行优化逼近，通过最大化估计均值的后验分布训练所述gmenet网络。
11、进一步的，步骤3中每次训练时，采用证据回归来定义的损失函数包括模型损失函数、正则化损失。
12、进一步的，步骤4中，所述小样本动态系统测量模型输出还输出模型不确定度、数据不确定度。
13、本发明提出一种小样本深度学习方式，将强大的建模能力和量化不确定度能力应用到小样本动态系统的测量中，补充了小样本动态系统测量的建模和不确定度的技术空缺。与现有技术相比，本发明优点为：
14、1.本发明提出了针对小样本非线性动态系统的gmenet网络测量建模方法，该gmenet网络中包含gru-maml网络框架，利用gru网络有效地捕捉了非线性动态系统的特征，gru作为一种递归神经网络(recurrent neural network,rnn)的革新形式，巧妙运用了门控机制以有效对抗传统rnn结构中存在的梯度消失难题；引入的maml算法赋予了模型元学习能力，maml(model-agnostic meta-learning)是一种旨在快速适应新任务的元学习算法，其核心理念是训练一个模型能够通过少量训练样本高效解决未曾见过的学习任务。maml对网络模型的形式不做任何假设，通过多层次的特征学习和参数共享机制，在一定程度上缓解了小样本问题带来的困扰，能够在有限的数据样本基础上构建出较为精确的动态系统模型。
15、2.为了评估系统的不确定性，本发明将gru-maml网络框架与证据回归相结合，形成gmenet网络，通过贝叶斯理论来传播概率密度，从而获得输出结果的模型不确定性和数据不确定性，并将总不确定性与误差进行比较，以确定趋势是否一致。
16、3.在小样本动态不确定度系统的建模与不确定度评估中，本发明不仅填补了现有技术的空白，也为相关领域应对类似挑战提供了崭新的思路和实践路径。
1.一种小样本动态系统的测量建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种小样本动态系统的测量建模方法，其特征在于，步骤2中，采用留一交叉验证方法，将所述数据集划分为训练集和测试集。
3.根据权利要求1所述的一种小样本动态系统的测量建模方法，其特征在于，步骤3中每次训练时，gmenet网络采用证据回归来定义损失函数，并将得到的损失反向传递，利用maml算法进行优化逼近，通过最大化估计均值的后验分布训练所述gmenet网络。
4.根据权利要求1所述的一种小样本动态系统的测量建模方法，其特征在于，步骤3中每次训练时，采用证据回归来定义的损失函数包括模型损失函数、正则化损失。
5.根据权利要求1所述的一种小样本动态系统的测量建模方法，其特征在于，步骤4中，所述小样本动态系统测量模型输出还输出模型不确定度、数据不确定度。
