71神经网络辨识方法.pdfVIP

7－1 神经网络辨识方法 1．系统辨识 对线性、非时变、不确定参数的对象进行辨识的研究已取得很大进展，但对非线 性系统的辨识问题的研究，基本上是针对某些特殊非线性系统进行的。 如何进行有效的非线性系统的辨识，一直为人们所关注。 神经网络方法给非线性系统辨识提供了新思路。 系统辨识的定义 L.A. Zadeh (扎德) 的定义是：“辨识就是在输入和输出数据的基础上，从一组 给定的模型中，确定一个与所测系统等价的一个模型。” 该定义明确了辨识的三要素： 1.输入/输出数据 （指能够测到的系统的输入和输出） 2.模型类 （指所考虑的系统的结构） 3.等价原则 （指辨识的优化目标） 从实际的观点看，辨识就是从一组模型中选择一个模型，按照某种原则，使之最 好地拟合所关心实际系统的动态或静态特性。 ˆ ˆ P z 其数学表达为：设 系统为 P ，输出为 Z，输入为 u，模型为 ，输出为 辨识准则为 ˆ min z z ˆ P 因此辨识问题的提法是：确定模型 , 使 ˆ ˆ min z z min p u p u     u z 系统P _  z ˆ 模型 P  z -Z 2 系统解识的传统方法 1 基本要求 ①模型的选择 模型只能是在某种意义下实际系统的一种近似描述。 选择的标准依赖于模型的用途并兼顾其精确性和复杂性等问题。 ② 输入信号的选择 第一,输入信号的频谱必须足以覆盖系统的频谱。在辨识时间里，输入信号 必须是持续激励的，也就是说，输入信号必须充分激励系统的所有模态。 第二，输入信号应是最优的，即设计的输入信号使给定的问题的辨识程度最 高，因此常用的输入信号是向噪声或伪随机信号。 ③误差准则的选择 准则是用来衡量模型接近实际系统的标准，它通常表示为一 个误差的泛函： L J  f e k         k 1 其中 是 的泛函数， 是定义在区间 上模型与实际系统的误差函 f  e k e k 0,