神经网络控制4-辨识.ppt

神经网络原理 第三章 神经网络辨识 定义 几个基本问题 NNI的原理 NNI的理论依据 NNI的优点 定义 辨识就是在输入输出数据的基础上，从一组给定的模型中确定一个与所测系统等价的模型 L.A.Zadeh 辨识的三要素：I/O数据、系统结构模型、等价准则 原理框图 系统辨识的原理图 基本问题 模型的选择 原则：兼顾复杂性和精确性 NNI：网络隐节点个数选择由仿真确定 输入信号选择 对动态系统而言，输入信号要充分激励，（基本要求）进一步，最优输入信号设计 NNI：噪声或伪随机信号 误差准则的确定 误差准则的确定 误差的三种形式 输出误差 逆模型辨识误差 广义误差 例 输出误差 逆模型辨识误差 广义误差 例:s的差分方程 准则 L为学习序列长度， 为数值 NNI： NNI：实质为最优化问题 NNI原理 线性模型（ARMA模型) 原对非线性系统无统一数学模型描述 现用NN逼近，给出基于输出误差的NNI NNI原理：在学习系统的I/O数据，建立系统的辨识格式，使误差准则最小， 从中得出隐含的I/O关系 神经网络辨识系统结构示意图 TDL NNI的理论依据 定理：具有任意数目隐单元的三层前向网络可一致逼近平方可积分函数 NNI的优点 无需建立实际系统的辨识格式，可省去系统结构建模这一步，可调参数为NN的权值 可对本质非线性系统进行辨识，在网络外部含系统I/O特征，非算法式的 辨识算法不依赖于辨识系统的维数，仅与NN本身和学习算法有关 NN为实际系统的物理实现，可用于在在线控制 NNI的一般结构 引言 对象的NL model描述 引言 NN：多层前馈网络（BP等）可实现任意NL静态映射；反馈网络（Hopfield）有动态环节，不可去映射NN 问题：希望构造新网络，保持2者优点，可映射任意NL动态网络 解决：将Hopfield网络形式由单层变多层 对象NL model描述 状态方程 NL model的四种形式 得出的四种辨识结构 状态方程 系统为具有未知参数的线性对象时，系统可控且可观，有串－并联、并联两种形式 四种形式 辨识结构 * * 系统 辨识模型 W(k) Z(k) - + e(k) u(k) X(t) y(t)