使用建立在線性或本質(zhì)線性系統(tǒng)基礎(chǔ)上的傳統(tǒng)辨識方法對各種非線性系統(tǒng)建模、辨識難以獲得理想結(jié)果。本文利用動態(tài)神經(jīng)網(wǎng)絡(luò)能充分逼近任意復(fù)雜非線性關(guān)系這一特點(diǎn)展開如下研究工作: 1 對神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識方法進(jìn)行了綜述,與傳統(tǒng)的系統(tǒng)辨識方法作比較,指出了各自的優(yōu)缺點(diǎn);回顧了神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程,詳細(xì)分析了動態(tài)Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、功能和算法。2 分析了用標(biāo)準(zhǔn)BP 算法訓(xùn)練Elman 網(wǎng)絡(luò)方法的局限,通過引入自反饋增益,得到一種Elman網(wǎng)絡(luò)的改進(jìn)型。同時(shí),采用BP 算法對改進(jìn)的Elman 網(wǎng)絡(luò)權(quán)值進(jìn)行調(diào)整,以某平整冷軋機(jī)液壓自動厚控系統(tǒng)為例進(jìn)行了模型的辨識,證明了改進(jìn)的Elman網(wǎng)絡(luò)對高階非線性動態(tài)系統(tǒng)辨識的有效性。3 指出了標(biāo)準(zhǔn)BP 算法存在的缺陷,并提出了改進(jìn)。分別采用基于標(biāo)準(zhǔn)BP 算法的Elman改進(jìn)型網(wǎng)絡(luò)和基于動態(tài)BP 算法的Elman基本型網(wǎng)絡(luò)對某冷軋機(jī)液壓AGC 系統(tǒng)進(jìn)行了辨識比較,發(fā)現(xiàn)改進(jìn)的Elman網(wǎng)絡(luò)利用標(biāo)準(zhǔn)BP 學(xué)習(xí)算法,就能達(dá)到基本Elman 網(wǎng)絡(luò)利用動態(tài)反傳算法所達(dá)到的效果,兩者能有效地辨識高階動態(tài)系統(tǒng),所用方法適用于其他工程領(lǐng)域。對某液壓系統(tǒng)的辨識實(shí)驗(yàn)表明動態(tài)神經(jīng)網(wǎng)絡(luò)辨識... 

【文章來源】：長沙理工大學(xué)湖南省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

狀態(tài)輸出模型

因此能用多層前向網(wǎng)絡(luò)逼近。這樣 x(t)p作為 f ( )的目標(biāo)輸出，用 x(t )x(t)p 的狀態(tài)誤差來訓(xùn)練 f ( )靜態(tài)網(wǎng)絡(luò)。同理 y(t)p作為 h ( )的目標(biāo)輸出，用 y(t )y(t)p 的輸出誤差來訓(xùn)練 h ( )靜態(tài)網(wǎng)絡(luò)，其中可用 BP 算法或全局優(yōu)化算法等進(jìn)行訓(xùn)練。2）非線性 ARMA 模型(NARMA)盡管狀態(tài)輸出模型非常有用，但是對象的所有狀態(tài)都可測通常是不可能的。此時(shí)，可以采用自回歸滑動平均模型對非線性情況的擴(kuò)展——非線性 ARMA 模型(NARMA)，如圖 2.2：y(t )g(y(t1),y(t2),y(tn);u(t),u(t1),,u(tm))ppp= Λ Λ (2.16)稱做預(yù)報(bào)模型，或串一并模型，或方程誤差模型。這里即使整個(gè)系統(tǒng)是動態(tài)的， g ( )也是靜態(tài)的，因此可用多層前向網(wǎng)絡(luò)建模。 y(t)p作目標(biāo)輸出，可用 BP 算法進(jìn)行訓(xùn)練。由于 NARMA 模型不能存貯任何狀態(tài)信息，而且它取決于構(gòu)造系統(tǒng)圖 2.1 狀態(tài)輸出模型

因此能用多層前向網(wǎng)絡(luò)逼近。這樣 x(t)p作為 f ( )的目標(biāo)輸出，用 x(t )x(t)p 的狀態(tài)誤差來訓(xùn)練 f ( )靜態(tài)網(wǎng)絡(luò)。同理 y(t)p作為 h ( )的目標(biāo)輸出，用 y(t )y(t)p 的輸出誤差來訓(xùn)練 h ( )靜態(tài)網(wǎng)絡(luò)，其中可用 BP 算法或全局優(yōu)化算法等進(jìn)行訓(xùn)練。2）非線性 ARMA 模型(NARMA)盡管狀態(tài)輸出模型非常有用，但是對象的所有狀態(tài)都可測通常是不可能的。此時(shí)，可以采用自回歸滑動平均模型對非線性情況的擴(kuò)展——非線性 ARMA 模型(NARMA)，如圖 2.2：y(t )g(y(t1),y(t2),y(tn);u(t),u(t1),,u(tm))ppp= Λ Λ (2.16)稱做預(yù)報(bào)模型，或串一并模型，或方程誤差模型。這里即使整個(gè)系統(tǒng)是動態(tài)的， g ( )也是靜態(tài)的，因此可用多層前向網(wǎng)絡(luò)建模。 y(t)p作目標(biāo)輸出，可用 BP 算法進(jìn)行訓(xùn)練。由于 NARMA 模型不能存貯任何狀態(tài)信息，而且它取決于構(gòu)造系統(tǒng)圖 2.1 狀態(tài)輸出模型


本文編號：2950600