非线性系统神经网络辨识与控制的.研究

《非线性系统神经网络辨识与控制的.研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、非线性系统神经网络辨识与控制的研究学习能力有机结合，接收两类方法之长，实现优势互补，具有非常重要的研究价值和使用价值。1．2系统辨识的基本概念实际的控制应用不能脱离被控系统的数学模型，在利用控制理论去解决实际问题时，通常需要先建立被控系统的数学模型。系统建模的方法有两种：机理分析法和辨识。机理分析法通常需要通过分析对象的运动规律，运用一些已知的定律、定理和原理建立对象的数学模型，这种方法也称为理论建模。但是实际系统的激励往往难以精确描述，或者过于复杂不便于处理，所以常使用辨识的方法进行建模。L．A．Zadeh给辨

2、识下的定义是：“辨识就是在输入输出数据的基础上，从一组给定的模型类中，确定一个与所测系统的等价的模型”，系统辨识并不只是期望获得一个物理系统的确切的数学描述，而以把关于实际系统的本质部分的信息简缩成有用的描述形式，此模型能够描述原来被辨识系统的动态本质特征为目的，从这个意义上讲，所辨识的模型可以是一个“黑箱”。辨识自上而下包括结构辨识和参数辨识两个过程，结构辨识主要是利用先验知识确定模型的结构，如线性系统的阶数或神经网络的层数和节点数等。在模型结构确定之后，利用各种优化技术来对模型中的各参数进行寻优，使建立的模型

3、能真实地反映原来系统的动态特征，经过多次的反复，直到得到满意的模型。1．3非线性系统辨识辨识从辨识对象的性质上可分为线性系统辨识和非线性系统辨识，一般而言，现实中的原被控系统都是具有非线性的，而线性模型只是一个理想的近似模型，在线性辨识中，我们的目的是建立一个被控对象局部的(工作点附近)足够精确的数学模型，而非线性系统辨识的目的通常是建立一个对象大范围的、全局的非线性模型，这一模型是对研究对象输入／输出关系的一种不很精确的描述，除了用于控制领域，非线性系统辨识还常用于时间序列预测、故障诊断等方面。虽然线性系统辨识

4、和非线性系统辨识存在差异，但其辨识的过程还是大致相同的，都要经过实验数据采集和预处理、模型结构辨识、模型参数辨识和模型验证四个基本的步骤。1．实验数据的采集和预处理在输入信号的选择上，非线性系统辨识和线性系统辨识要求相同，输入最好是连续激励的，虽然理论上还没有持续激励的充要条件，但采用二进制伪随机序列或多频2南京航空航天大学硕士学位论文率正弦信号的组合作为输入信号，常常可以取得较满意的成果。在本文的研究中，输入均采用了多频率正弦复合信号的叠加作为激励信号。对采集数据中的非正常值(噪声等)常采用低通滤波器来剔除高频

5、噪声来提高辨识精度。2．模型结构辨识对线性系统辨识，模型结构通常选用差分方程的形式，模型的结构辨识就是确定结构参数、阶次和纯延时，一旦确定了模型的阶次和纯延时，系统的输入输出的结构就完全确定了，各种模型结构的区别仅在于噪声模型结构的选取不同”’2】。非线性系统辨识中，通常使用如式(I．1)来表示非线性系统模型结构：儿=／(J，N．儿一2，．，肌一。，毗，心Ⅲ⋯，“t一。)(1．1)对神经网络辨识来说，神经网络自身模型结构的辨识包括网络层数、每层节点数、每个节点传递函数、节点间的联结方式等内容，而且相对于线性系统的

6、辨识而言，神经网络实现的非线性系统辨识其模型结构的选择上仍然是个十分薄弱的环节，通常只能根据具体的系统，在辨识精度与复杂性和泛化性之间折衷。3．模型参数辨识在模型结构确定之后，就要对参数进行辨识，参数辨识的过程就是在选定的目标函数下，采用某种参数调节方法，如最d,--乘法、梯度下降法及遗传算法等来极小化目标函数，也称此参数辨识的过程为参数寻优，在神经网络中利用网络权值学习对参数进行辨识，利用网络训练对参数进行调整。4．模型验证模型验证是系统辨识的一个重要步骤，建立的模型合理不合理，需要模型验证的过程，而一个好的模

7、型的建立往往是在结构辨识和模型验证的不断反复中完成的。神经网络建立的模型的模型验证的过程实际上就是检验神经网络模型泛化能力的过程，即检验模型适应辨识数据以外的数据的能力。神经网络模型的内部结构复杂，无法用常规的解析模型表示，不利于分析模型的泛化特性。辨识的过程中一味提高辨识中使用数据的训练精度，未必可以提高测试误差，因为神经网络内部的复杂的非线性关系可能会导致出现“过拟合”的现象，降低其泛化能力。总之，人工神经网络的出现为非线性系统的辨识、控制和优化计算以及故障诊断提供了一个有力的工具。神经元网络系统辨识实质上是

8、选择一个适合的神经元网络来逼近实际系统，由于神经元网络对非线性函数具有任意逼近能力和自学习能力，为非线性系统的系统辨识提供了一个简单而且有效的一般性的方法，为非线性系统的辨识的一类问题提供了一种通用的模式。与传统的线性系统的辨识方法相比，神经网络的系统辨识更具有以下优点：I．神经元网络系统辨识是非算法式的，神经元网络本身就是辨识模型，其可调参非线性系统神经网络辨识与控制的