神经元网络型模型辨识器.docVIP

神经元网络型模型辨识器 摘要：针对石油化工过程中的某一特定对象具有严重非线性的三阶最小相位系统，介绍了利用神经元网络构成的辨识器的原理，构成以及仿真结果。 关键词：神经元网络；系统辨识。 引言 BP神经网络作为一个多层的前向网络，其技术思想从本质上来说是一个最小方差意义下的多维函数拟合问题，因而他的基本任务是完成对非线性函数的静态映射，如果把系统有关时间历程的输入输出数据加入网络，则它就能够实现非线性系统的动态映射，即系统辨识的任务。 神经网络辨识器的原理及结构 为了得到系统的动态特性，神经元网络的输出yn(k)不仅与当前网络的输入u(k)有关，还和输入输出的历史数据有关，例如对下列r输入，m输出的非线性离散多变量系统： 其中，e(k)为零独立序列的随机扰动，为系统的阶次，可以组成多层的神经元网络，其中网络的输入为： 网络的输出为y(k),即无论训练还是应用，都需要把输入输出的各次延迟送入网络的输入端，辨识器训练原理如图1所示。 辨识对象的描述 选择石油化工过程中某一环节作为本项目的研究对象，其传递函数为： G 其中，F为一带有滞环的非线性函数，此系统代表一类具有滞环非线性的3阶最小相位系统。同时为了验证神经网络对于干扰的抑制能力，我们在输出端加上了一个随机扰动，幅值为0.1，以此被污染后的数据进行辨识，观察其辨识结果与期望的实际值的差别，得出结论。 神经网络训练与研究验证结果 首先，我们利用一般的PID控制器对此对象进行控制，得到一组输入输出数据，在输出端直接加幅值为0.1的随机扰动，同时进行在线辨识。程序的仿真结果图如下： 图2 闭环控制系统的设定值和实际扰动输出 图3神经网络训练与泛化效果图 其中，红色曲线表示神经网络的输出，蓝色曲线表示期望的输出。并且前6秒钟（程序中k6000,ts=0.001）为训练，最后4秒为泛化。通过观察可以发现，神经网络学习是以污染后的输出作为训练样本的，但是它总体上反应的还是系统真实的输出，而泛化后的结果也比较理想，可以得出神经网络具有较强的滤波能力。 图4 神经网络辨识误差 本实验成果和不足 本实验基本完成了对一个带有严重非线性环节的石油化工过程的辨识，但是同时也发现了BP神经网络对于模型阶次未知的系统辨识能力较差，如本实验中由于过程假设已知，我们选择了3阶系统，因此我们选择神经网络的输入为5输入，u(k),u(k-1),u(k-2),y(k-1),y(k-2),我们能够很好的得到网络辨识效果，而当我们对此系统阶次未知时，则BP网络训练效果就随输入节点选择误差而急剧下降了，这也是本文中的不足。