1.基于宽度学习干扰观测器的永磁同步电机控制方法，其特征在于，包括以下步骤：S1、获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据，作为梯度下降宽度学习系统的初始训练数据样本集；

S2、采用归一化算法对初始训练数据样本集进行数据预处理，得到目标维度的梯度下降宽度学习系统训练数据样本集；

S3、将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练，得到梯度下降宽度学习系统模型；

S4、利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置；

S5、利用更新后的梯度下降宽度学习系统模型对永磁同步直线电机转速控制的扰动进行补偿；

步骤S1中，所述初始训练数据样本集为X，其表达式为：X＝[V,iq,F]

其中，V是反馈速度，iq是q轴电流，扰动F是训练数据样本集的输出值；

所述梯度下降宽度学习系统包括：特征节点和增强节点，步骤S3包括：n

S31、对所述特征节点，根据训练数据样本集生成特征节点Zi，并构建特征节点组Z ；如下：n

Z＝[Z1,Z2,…,Zn]

其中， 为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；

m

S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组H：n

Hj＝ξj(ZWhj+βhj),j＝1,2,3,…mm

H＝[H1,H2,…,Hm]

其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；

m

S33、对所述梯度下降宽度学习系统模型，通过输入数据学习合适的输出权重W ，梯度下m降宽度学习系统通过使用伪逆算法快速求解输出权重W：m T ‑1 T

W＝(AA+λI) AY

+

A表示A的伪逆，I为单位矩阵，Y是训练样本输出；

S34、对所述梯度下降宽度学习系统，包含特征节点和增强节点，并构成梯度下降宽度m学习系统的隐藏层，通过输出权重W得到最终预测输出结果步骤S4包括：

S41、根据所述梯度下降迭代算法，梯度下降宽度学习系统预测输出被表示为：其中， 和wj分别表示连接特征节点及增强节点与输出层的权重和偏置， 和bj分别表示连接特征节点与增强节点的权重和偏置；

S42、根据所述梯度下降迭代算法，定义集合W为连接特征节点和增强节点与输出层的权重，其表达式为：其中, 表示连接第i组k个特征节点与输出层的权重，wj表示连接第j个增强节点与输出层的权重；

S43、根据所述梯度下降迭代算法，定义梯度下降宽度学习系统实际输出y与预测输出误差为：S44、对所述梯度下降迭代算法，使用求导公式并推理可以得到权重和偏置更新公式为：其中， η为学习率。

2.如权利要求1所述的基于宽度学习干扰观测器的永磁同步电机控制方法，其特征在于，步骤S2中，目标维度的梯度下降宽度学习系统训练数据样本集，表达式为：其中，xn为归一化后的训练集数据，xmin为训练集数据的最小值，xmax为训练集数据的最大值。

3.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1‑2中任意一项所述方法的步骤。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1‑2任意一项所述方法的步骤。

5.基于宽度学习干扰观测器的永磁同步电机控制系统，其特征在于，包括以下模块：样本获取模块，用于获取永磁同步直线电机某段时间内不同控制状态下的干扰观测器输入与输出数据，作为梯度下降宽度学习系统的初始训练数据样本集；

数据预处理模块，用于采用归一化算法对初始训练数据样本集进行数据预处理，得到目标维度的梯度下降宽度学习系统训练数据样本集；

模型训练模块，用于将预处理后的训练数据样本集输入到梯度下降宽度学习系统中进行训练，得到梯度下降宽度学习系统模型；

模型更新模块，利用梯度下降迭代算法实时更新梯度下降宽度学习系统模型权重和偏置；

控制模块，用于利用更新后的梯度下降宽度学习系统模型对永磁同步直线电机转速控制的扰动进行补偿；

步骤S1中，所述初始训练数据样本集为X，其表达式为：X＝[V,iq,F]

其中，V是反馈速度，iq是q轴电流，扰动F是训练数据样本集的输出值；

所述梯度下降宽度学习系统包括：特征节点和增强节点，所述模型训练模块用于执行以下步骤：n

S31、对所述特征节点，根据训练数据样本集生成特征节点Zi，并构建特征节点组Z ；如下：n

Z＝[Z1,Z2,…,Zn]

其中， 为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；

m

S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组H：n

Hj＝ξj(ZWhj+βhj),j＝1,2,3,…mm

H＝[H1,H2,…,Hm]

其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；

m

S33、对所述梯度下降宽度学习系统模型，通过输入数据学习合适的输出权重W ，梯度下m降宽度学习系统通过使用伪逆算法快速求解输出权重W：m T ‑1 T

W＝(AA+λI) AY

+

A表示A的伪逆，I为单位矩阵，Y是训练样本输出；

S34、对所述梯度下降宽度学习系统，包含特征节点和增强节点，并构成梯度下降宽度m学习系统的隐藏层，通过输出权重W得到最终预测输出结果所述模型更新模块用于执行以下步骤：S41、根据所述梯度下降迭代算法，梯度下降宽度学习系统预测输出被表示为：其中， 和wj分别表示连接特征节点及增强节点与输出层的权重和偏置， 和bj分别表示连接特征节点与增强节点的权重和偏置；

S42、根据所述梯度下降迭代算法，定义集合W为连接特征节点和增强节点与输出层的权重，其表达式为：其中, 表示连接第i组k个特征节点与输出层的权重，wj表示连接第j个增强节点与输出层的权重；

S43、根据所述梯度下降迭代算法，定义梯度下降宽度学习系统实际输出y与预测输出误差为：S44、对所述梯度下降迭代算法，使用求导公式并推理可以得到权重和偏置更新公式为：其中， η为学习率。