基于时间注意力机制的时滞混沌系统参数辨识模型

针对时滞混沌系统在时滞未知条件下的参数及时滞辨识问题,提出基于时间注意力机制的时滞混沌系统参数辨识模型——PINN-TA。首先,采用时间注意力机制提取系统状态序列的关联特征,以实现对系统时滞的辨识;其次,利用循环神经网络（RNN）隐式地近似系统微分方程,形成关于系统参数的代数方程;最后,将代数方程的根作为参数辨识的结果。分别以时滞Logistic方程、Ikeda微分方程和Mackey-Glass混沌系统等典型时滞混沌系统作为待辨识系统,对PINN-TA模型和多种智能搜索算法进行对比实验。仿真结果表明,相较于人工雨滴算法（ARA）、混合布谷鸟搜索算法（HCS）、全局花朵授粉算法（GFPA）、元胞自动机鲸鱼算法（CWA）等现有智能搜索算法,PINN-TA模型对参数和时滞的辨识误差降低了90.31%～99.36%,且辨识耗时缩短至18.59～19.43 ms。可见,PINN-TA模型能够满足精度和实时性要求,为时滞混沌系统参数及时滞辨识提供可行的解决方案。