神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)可為非線(xiàn)性系統(tǒng)辨識(shí)提供一個(gè)簡(jiǎn)單合理的一般性方法,其本質(zhì)是選擇一個(gè)合適的網(wǎng)絡(luò)模型來(lái)逼近實(shí)際系統(tǒng),因而非常適用于熱工系統(tǒng)的辨識(shí)。以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),研究了其在熱工系統(tǒng)辨識(shí)中的運(yùn)用。研究主要是基于BP神經(jīng)網(wǎng)絡(luò)在熱工系統(tǒng)中的運(yùn)用。先是概述了神經(jīng)網(wǎng)絡(luò)、系統(tǒng)辨識(shí)等相關(guān)理論知識(shí),偏重介紹了BP網(wǎng)絡(luò)及L-M算法,說(shuō)明了神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識(shí)中應(yīng)用的一般思路和結(jié)構(gòu)。最后研究了將BP網(wǎng)絡(luò)應(yīng)用于典型自衡對(duì)象以及飛灰含碳量的辨識(shí),取得了較好的辨識(shí)結(jié)果。 

【文章來(lái)源】：計(jì)算機(jī)仿真. 2016,33(08)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)辨識(shí)系統(tǒng)框架

再?gòu)?)開(kāi)始執(zhí)行;否則，用μ乘以θ，再?gòu)?)開(kāi)始執(zhí)行。當(dāng)誤差平方和減小到等于或小于某一目標(biāo)誤差時(shí)，算法即可看作收斂。3基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)3．1基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)的基本思路在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)辨識(shí)的工作中已取得很多成果，而且創(chuàng)新出了很多新的辦法，但目前較為成熟并且運(yùn)用較廣泛的是Chen和Billings等人的思維方法［12］。給出神經(jīng)網(wǎng)絡(luò)辨識(shí)系統(tǒng)的框架圖，如圖1所示。圖1神經(jīng)網(wǎng)絡(luò)辨識(shí)系統(tǒng)框架3．2神經(jīng)網(wǎng)絡(luò)的辨識(shí)結(jié)構(gòu)本文采用，正向建模結(jié)構(gòu)進(jìn)行辨識(shí)，正向建模結(jié)構(gòu)也叫串－并辨識(shí)結(jié)構(gòu)，其結(jié)構(gòu)圖如圖2所示［13，14］。圖2中，采納的學(xué)習(xí)方法是監(jiān)督學(xué)習(xí)法，教師信號(hào)直接向神經(jīng)網(wǎng)絡(luò)提供目標(biāo)值，運(yùn)用網(wǎng)絡(luò)收集將預(yù)估誤差直接反傳并訓(xùn)練［15］。本辨識(shí)結(jié)構(gòu)是對(duì)系統(tǒng)輸出的一步超前預(yù)報(bào)，此預(yù)報(bào)基于當(dāng)前最新觀測(cè)數(shù)據(jù)，從而也被稱(chēng)為一步預(yù)報(bào)模型［16］。該模型是有界的，而且可以確保辨識(shí)系統(tǒng)保持在較為穩(wěn)定的狀態(tài)。因此適用于熱工對(duì)象的辨識(shí)。圖2正向建模(串－并辨識(shí))結(jié)構(gòu)圖4基于BP神經(jīng)網(wǎng)絡(luò)熱工對(duì)象的系統(tǒng)辨識(shí)4．1典型對(duì)象的辨識(shí)設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)擬合一個(gè)典型自衡對(duì)象G(s)=11+100se－120s(16)對(duì)于上式的系統(tǒng)，設(shè)其采樣時(shí)間Ts，將其離散化得到差分方程如下:y(k)=(1－0．01Ts)y(k－1)+0．01Tsx(k－120Ts－1)(17)根據(jù)得到的系統(tǒng)差分方程，構(gòu)建含1000組數(shù)據(jù)的數(shù)據(jù)對(duì)，為網(wǎng)絡(luò)訓(xùn)練做準(zhǔn)備�，F(xiàn)采用單位階躍響應(yīng)對(duì)系統(tǒng)仿真訓(xùn)練，設(shè)置采樣時(shí)間Ts=1。系統(tǒng)單位響應(yīng)曲線(xiàn)如圖3所示。圖3輸入輸出曲線(xiàn)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真，繪出其輸出曲線(xiàn)，與原始非線(xiàn)性函數(shù)曲線(xiàn)畫(huà)在同一張圖中，經(jīng)過(guò)對(duì)兩者的比較，所得結(jié)果如圖4所示。并繪制誤差曲線(xiàn)，如圖5所示。圖4訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)?

系統(tǒng)保持在較為穩(wěn)定的狀態(tài)。因此適用于熱工對(duì)象的辨識(shí)。圖2正向建模(串－并辨識(shí))結(jié)構(gòu)圖4基于BP神經(jīng)網(wǎng)絡(luò)熱工對(duì)象的系統(tǒng)辨識(shí)4．1典型對(duì)象的辨識(shí)設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)擬合一個(gè)典型自衡對(duì)象G(s)=11+100se－120s(16)對(duì)于上式的系統(tǒng)，設(shè)其采樣時(shí)間Ts，將其離散化得到差分方程如下:y(k)=(1－0．01Ts)y(k－1)+0．01Tsx(k－120Ts－1)(17)根據(jù)得到的系統(tǒng)差分方程，構(gòu)建含1000組數(shù)據(jù)的數(shù)據(jù)對(duì)，為網(wǎng)絡(luò)訓(xùn)練做準(zhǔn)備�，F(xiàn)采用單位階躍響應(yīng)對(duì)系統(tǒng)仿真訓(xùn)練，設(shè)置采樣時(shí)間Ts=1。系統(tǒng)單位響應(yīng)曲線(xiàn)如圖3所示。圖3輸入輸出曲線(xiàn)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真，繪出其輸出曲線(xiàn)，與原始非線(xiàn)性函數(shù)曲線(xiàn)畫(huà)在同一張圖中，經(jīng)過(guò)對(duì)兩者的比較，所得結(jié)果如圖4所示。并繪制誤差曲線(xiàn)，如圖5所示。圖4訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果—379—


本文編號(hào)：3116327