基于人工神經(jīng)網(wǎng)絡(luò)的非線性時(shí)變系統(tǒng)辨識(shí)研究.pdf

1、傳統(tǒng)的系統(tǒng)辨識(shí)方法大多建立在模型結(jié)構(gòu)已知的基礎(chǔ)上，需要過(guò)多的先驗(yàn)知識(shí)。而現(xiàn)實(shí)中存在的大量非線性時(shí)變系統(tǒng)，其先驗(yàn)知識(shí)匱乏，模型結(jié)構(gòu)難以確定，給辨識(shí)工作帶來(lái)了巨大的困難。本文針對(duì)難以確切描述的非線性時(shí)變系統(tǒng)，利用神經(jīng)網(wǎng)絡(luò)的黑箱特性和能夠以任意精度逼近非線性模型的能力，對(duì)神經(jīng)網(wǎng)絡(luò)辨識(shí)方法進(jìn)行了較深入的分析和探討。 文章首先系統(tǒng)介紹了人工神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識(shí)方面的發(fā)展與研究現(xiàn)狀，分析了常用的BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)以及GRNN網(wǎng)絡(luò)的學(xué)習(xí)方法并

2、分別給出了仿真實(shí)例。在對(duì)比仿真結(jié)果的基礎(chǔ)上，重點(diǎn)對(duì)GRNN網(wǎng)絡(luò)進(jìn)行了較深入的分析，總結(jié)出該網(wǎng)絡(luò)存在的兩個(gè)主要問(wèn)題：一是GRNN網(wǎng)絡(luò)模式層節(jié)點(diǎn)數(shù)目與訓(xùn)練樣本的數(shù)目成正比，訓(xùn)練樣本量增大，則模式層節(jié)點(diǎn)相應(yīng)增多；二是平滑因子的取值對(duì)網(wǎng)絡(luò)性能有重要影響，平滑因子若取單一值，則計(jì)算簡(jiǎn)便而精確不足，若取不同值，則結(jié)果較精確但計(jì)算復(fù)雜度高。然后，在分析以上問(wèn)題產(chǎn)生原因的基礎(chǔ)上，采取了兩個(gè)相應(yīng)的解決方案。針對(duì)第一個(gè)問(wèn)題，采用了FCM聚類方法進(jìn)行處理，以

3、約簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu)。并定義了輸入數(shù)據(jù)的相似度指標(biāo)，通過(guò)該指標(biāo)與給定閾值進(jìn)行比較來(lái)決定是否進(jìn)行迭代聚類操作，以此來(lái)解決迭代操作繁瑣、運(yùn)算效率低下的問(wèn)題。針對(duì)第二個(gè)問(wèn)題，提出了一種基于每一個(gè)特征向量對(duì)網(wǎng)絡(luò)輸出的貢獻(xiàn)率大小，來(lái)有選擇的對(duì)相應(yīng)的平滑因子進(jìn)行優(yōu)化的改進(jìn)方法。最后歸納前文內(nèi)容，總結(jié)出了基于改進(jìn)的GRNN網(wǎng)絡(luò)的辨識(shí)策略，并在實(shí)際的天然氣水合物電阻率測(cè)量系統(tǒng)中進(jìn)行了應(yīng)用分析。實(shí)驗(yàn)結(jié)果表明該網(wǎng)絡(luò)辨識(shí)模型處理速度快，辨識(shí)精度和泛化能力較高，具有較