系统识别第14章.ppt

第14章 神经网络在系统辨识中的作用 1 神经网络简介 1.1 神经网络的发展概况 1943年心理学家W.Mcculloch和数理逻辑学家 W.Pitts首先提出了一个简单的神经网络模型，其神 经元的输入输出关系为 * * 1949年D.O.Hebb首先提出了一种调整神经网络 连接权值的规则，通常称为Hebb学习规则，其基本 思想是，当2个神经元同时兴奋或同时抑制时，它们 之间的连接强度便增加。这可表示为 1.2 神经网络的结构和类型 一般而言，神经网络是一个并行和分布式的信息 处理网络结构，它一般由许多哥神经元组成，每个神经元有一个输出，它可以连接到很多其它的神经元，每个神经元输入有多个连接通路，每个连接通路对应于一个连接权系数。 严格来说，神经网络是一个具有下列性质的有向图： (1)每个节点有一个状态变量 ; (2)节点i到节点j有一个连接权系数 。 (3)每个节点有一个阀值 。 (4)每个节点定义一个变换函数 。 最常见的情形为 2 线性系统辨识 2.1 基于单层神经网络的线性系统辨识 2.1.1 单层神经网络建模原理 单层神经网络采用基于梯度的最速下降法(LMS算法)。用单层神经网络进行二阶系统的辨识试验，原理框图如图14.1所示。 2.1.2 单层神经网络辨识 选择随机函数作为激励函数，取采样时间为100 s，采样步长为0.1s，学习率为 ，开环辨识结果和闭环辨识结果如表14.1所例。 表14.1 开环辨识结果和闭环辨识结果 [0.075000 0.000000] [0.07001 0.000001] 系数矩阵B 系数矩阵A 42459 1815 学习次数 0.000001 0.000001 运算精度 闭环 开环 辨识方法 项目 2.2 基于Adaline网络建模原理 2.2.1 单层Adaline网络建模原理 自适应线性神经元(Adaline)可以组成自适应滤波器并用于系统建模。用单层Adaline网络建模时的原理框图如课本图14.2所示。 2.2.2 单层Adaline网络辨识实例 设一个二阶系统的传递函数为 ， 取仿真时间为50s，采样步长为0.1s，应用连续与离散传递函数之间的双线性变换，计算出系统对应的差分方程为 3.2 BP算法在神经网络中的应用 3.1 BP网络简介 图14.4为一基本的BP神经网络。 3.2 BP网络数学原理 设输出层上第j个节点的输出误差为 则整个输出节点上的误差为 对于全部样本值来说，其总误差为 ，不 失一般性，将Ez换成E＝1/2Ez ，则 令输出层上节点j的加权输入为NetCj,则输出层 上节点j的第k次样本的加权输入为 节点的计算输出为 同理，隐层节点的第k次样本的加权输入为 该节点的计算输出为 1) 的辨识 将系统隐层和输出层之间的权值 视为参数，则根据最速下降法，当 沿E的负梯度方向变化时 E将下降最快。取适当步长，设迭代前的为 ，迭代后的值为 ，于是有 考察 有 再考虑 ，有 则式(14.3.7)的值可为 将式(14.3.9)代入式(14.3.6)有迭代式 （14.3.10） 2) 的辨识 将系统输入层和隐层之间的权 视为参数，同样有 考察 有 再考察 结合式(14.3.11)、式(14.3.12)、式(14.3.13)可知 3)minE 有了 后，再利用样本 求出新的E’，用 ，将 作为循环结束 条件，当条件满足，停止循环，否则，继续循环。 4)确定系统参数值 当循环结束时，此时的