ch7神经网络辨识控制2.pptVIP

7.2.6 基于神经网络的系统辨识 * * 1 系统辨识的基本概念 L.A.zadeh曾给辨识下过定义：辨识就是在输入输出的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。 传统理论中，常用微分方程式或差分方程式来描述系统。 u(k) 被辨识系统 辨识模型 y(k) y’(k) - + e(k) 辨识问题可描述为寻求一个数学模型，使模型输出y’(k)与真实系统输出y(k)之差满足规定的要求。 构造辨识系统时应遵循的基本原则： 1）模型的选择：模型只是在某种意义下对实际系统的一种近似描述，它的确定要兼顾精确性和复杂性，应选择在满足给定的误差准则下逼近原系统的最简单模型。 2）输入信号的选择：必须能持续的激励系统，并足以覆盖系统的频谱。 3）误差准则的选择：一般选用平方函数 传统辨识算法的基本原理，是通过建立系统的依赖于参数的模型，把辨识问题转化为模型参数的估计。这类算法能成功用于线性系统，但对于非线性系统，传统算法难以应用。 神经网络是把输入输出的非线性映射关系蕴含在网络权值中。 2 神经网络辨识的基本原理 基于神经网络的辨识：选择适当的神经网络，作为真实系统的模型。 辨识过程：网络结构确定后，在真实系统输入输出样本数据下，网络通过学习，不断调整权值，使误差e在一定性能指标下最小。 神经网络常采用BP网络 神经网络用于辨识的一个优点，就是不需预先建立实际系统的辨识格式，辨识过程就是直接学习系统的输入和输出数据的过程。学习目的是使误差准则函数达到最小，从而归纳出隐含在系统输入输出数据中的映射关系。这个映射关系隐含在网络内部，其表现形式如何，对外而言是不可知的，这与我们辨识的目的是一致的，我们不关心以何种形式去逼近，只要神经网络输出能逼近系统的真实输出，则认为神经网络已完成了对系统的辨识目的。 神经网络用于系统辨识具有以下优点： 1）其可调参数反映在网络内部的连接权值上，不再要求建立实际系统的辨识格式，可省去对系统建模这一步。 2）可对非线性系统进行辨识，系统的输入输出特性隐含在网络内部，是非算法式的。 3）辨识的收敛速度不依赖于系统的维数，只与网络本身及所采用的算法有关。 4）神经元之间的连接权值在辨识中对应于模型参数，调节权值可以逼近系统输出。 5）神经网络作为实际系统的辨识模型，可以用于在线控制。 神经网络的系统辨识可分为在线辨识和离线辨识两种。 在线辨识是在系统实际运行中完成的，要求具有实时性。 离线辨识是在取得输入输出数据后进行辨识，辨识过程与实际系统分离，无实时性。 模型结构 前向模型——（图4.30） 将系统的实际输出与网络输出的误差作为网络训练的信号，反映了动力学模型的输入输出关系。 *