被控對象數(shù)學(xué)模型的精確建立是控制理論研究和發(fā)展的重要基礎(chǔ),但在實(shí)際工況中的控制系統(tǒng)多為復(fù)雜的非線性系統(tǒng),因此高精度的非線性系統(tǒng)辨識技術(shù)顯得至關(guān)重要。RBF神經(jīng)網(wǎng)絡(luò)具有對任意非線性函數(shù)逼近的能力,于是設(shè)計(jì)將RBF神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到系統(tǒng)辨識中,并通過Matlab仿真基于RBF神經(jīng)網(wǎng)絡(luò)對給定復(fù)雜非線性系統(tǒng)的辨識。仿真結(jié)果表明在對于復(fù)雜非線性系統(tǒng)的辨識上,基于RBF神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識法是準(zhǔn)確可行的。 

【文章來源】：科技創(chuàng)新與應(yīng)用. 2020,(05)

【文章頁數(shù)】：3 頁

【部分圖文】：

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2表示基于RBF神經(jīng)網(wǎng)絡(luò)的前向系統(tǒng)辨識模型，其中RBF網(wǎng)絡(luò)作為辨識器，與被控對象構(gòu)成串并聯(lián)形式的辨識結(jié)構(gòu)[4-5]。由圖2可知，前向辨識模型神經(jīng)網(wǎng)絡(luò)與被控對象取相同的輸入信號，將被控對象輸出響應(yīng)值作為學(xué)習(xí)目標(biāo)值，并用被控對象的實(shí)際輸出與網(wǎng)絡(luò)輸出的誤差值作為神經(jīng)網(wǎng)絡(luò)辨識器的訓(xùn)練信號來修正神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)，訓(xùn)練完成后使神經(jīng)網(wǎng)絡(luò)和被控對象的輸入輸出關(guān)系相同[6-7]。2.2被控對象Jacobian辨識算法

輸入信號取方波信號和正弦信號，采樣時間取0.001s，圖3和圖5分別為方波信號與正弦信號輸入時非線性對象輸出曲線與RBF神經(jīng)網(wǎng)絡(luò)辨識器輸出曲線的對比圖，圖4和圖6分別為方波信號與正弦信號輸入非線性對象輸出與RBF神經(jīng)網(wǎng)絡(luò)辨識器的誤差曲線圖，從仿真結(jié)果可以看出，RBF神經(jīng)網(wǎng)絡(luò)辨識器能夠很好的逼近被辨識對象的輸出，即使有時在辨識起始階段有著一定的誤差，但隨著神經(jīng)網(wǎng)絡(luò)不斷訓(xùn)練，誤差迅速減小。從仿真結(jié)果表明，基于RBF神經(jīng)網(wǎng)絡(luò)的辨識器對非線性對象有著較好的辨識效果。圖4 辨識器對系統(tǒng)方波輸出的辨識誤差曲線

【參考文獻(xiàn)】：
期刊論文
[1]人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識綜述[J]. 茹菲,李鐵鷹.  軟件導(dǎo)刊. 2011(03)
[2]基于RBF在線辨識的AGV轉(zhuǎn)向單神經(jīng)元PID控制[J]. 焦俊,陳無畏,王繼先,李紹穩(wěn),崔懷雷,王檀彬.  儀器儀表學(xué)報(bào). 2008(07)

博士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的建模方法與控制策略研究[D]. 王俊國.華中科技大學(xué) 2004

碩士論文
[1]徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法研究[D]. 蘇美娟.蘇州大學(xué) 2007



本文編號：3484864