【摘要】:神经网络系统辨识的含义与传统的系统辨识相同,即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等价的模型。由于神经网络用于系统辨识的实质就是选择一适当的神经网络模型来逼近实际系统,通常选择多层前向传播网络为辨识模型。图4-19 神经网络辨识结构图4-20 辨识过程框图4)参数统计。
神经网络系统辨识的含义与传统的系统辨识相同,即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等价的模型。
一般系统辨识所研究的问题是预先给定一个模型类、输入信号u和等价准则J(J是误差函数),然后选择使误差函数J达到最小的模型,作为辨识所要求的结果。神经网络系统辨识与此相反,主要是对系统进行分析,根据输入时间函数和系统的特性来确定输出信号,也就是对系统进行控制的主要问题是根据系统的特性设计控制输入,使输出满足预先规定的要求。神经网络系统辨识用途有:
1)用于控制系统的分析和设计。
2)用于预测、预报。
3)故障诊断。
神经网络辨识结构如图4-19所示。图中,u(k)为输入,e(k)为输出,d(k)为干扰信号。
由于神经网络用于系统辨识的实质就是选择一适当的神经网络模型来逼近实际系统,通常选择多层前向传播网络为辨识模型。衡量模型接近系统的程度是误差准则,采用一个标准J,它通常表示为一个误差的泛函,记作
式中 f(·)——误差向量e(k)函数。
辨识的基本步骤如图4-20所示。(www.xing528.com)
1)收集先验知识和建模目的的依据。
2)实验设计。
3)结构辨识。
图4-19 神经网络辨识结构
图4-20 辨识过程框图
4)参数统计。
5)模型适用性检验。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。