基于Esn网络的连续搅拌反应釜CsTR辨识-信息与控制.PDF

信息与控制　　２０１４年　第４３卷　第２期：２２３～２２８ ＤＯＩ：１０．３７２４／ＳＰ．Ｊ．１２１９．２０１４．００２２３ 文章编号：１００２－０４１１（２０１４）－０２－０２２３－０６ 基于ＥＳＮ网络的连续搅拌反应釜（ＣＳＴＲ）辨识 李晓华，李　军 兰州交通大学自动化与电气工程学院，甘肃 兰州　７３００７０ 基金项目：甘肃省财政厅基本业务费项目（６２００２６）；甘肃省教育厅硕导项目（１１０４－０９） 通信作者：李晓华，ｘｉａｏｈｕａ２２３＠１２６．ｃｏｍ　　收稿／录用／修回：２０１３－０４－１５／２０１３－０５－３０／２０１４－０２－１０ 摘要 关键词 针对以往递归神经网络（ＲＮＮ）训练算法难，连续搅拌反应釜（ＣＳＴＲ）的强非线 连续搅拌反应釜（ＣＳＴＲ） 性等问题，将回声状态网络（ｅｃｈｏｓｔａｔｅｎｅｔｗｏｒｋ，ＥＳＮ）方法应用于模型不确定的 神经网络 ＣＳＴＲ系统辨识中．ＥＳＮ具有较强的非线性逼近能力和良好的短期记忆能力，且只 回声状态网络 需要训练网络输出权值，简化了网络训练算法．仿真结果表明，在相同条件下，与带 系统辨识 动量的ＢＰ（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）神经网络、ＢＰＭＬＰ（ｂａｃｋｐｒｏｐａｇａｔｉｏｎｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐ 中图分类号：ＴＰ１８３ ｔｒｏｎ）神经网络、最小二乘支持向量机（ＬＳＳＶＭ）、模糊神经网络（ＦＮＮ）、ＧＡＰＲＢＦ 文献标识码：Ａ 神经网络、ＭＧＡＰＲＢＦ神经网络相比，ＥＳＮ能给出相当好的性能，表现出较高的辨 识精度，ＥＳＮ比带动量的ＢＰ、ＢＰＭＬＰ、ＬＳＳＶＭ神经网络的逼近精度提高了４个数 量级，表明了该方法的有效性． ＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＣｏｎｔｉｎｕｏｕｓＳｔｉｒｒｅｄＴａｎｋＲｅａｃｔｏｒＢａｓｅｄｏｎ ＥｃｈｏＳｔａｔｅＮｅｔｗｏｒｋ ＬＩＸｉａｏｈｕａ，ＬＩＪｕｎ ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＬａｎｚｈｏｕＪｉａｏＴｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００７０，Ｃｈｉｎａ Ａｂｓｔｒａｃｔ Ｋｅｙｗｏｒｄｓ Ｆｏｒｔｈｅｄｉｆｆｉｃｕｌｔｉｅｓｉｎｔｈｅａｌｇｏｒｉｔｈｍｓｔｒａｉｎｉｎｇｕｓｉｎｇｔｈｅｅｘｉｓｔｉｎｇｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ（ＲＮＮ）ａｎｄｔｈｅ ｃｏｎｔｉｎｕｏｕｓｓｔｉｒｒｅｄｔａｎｋｒｅａｃ ｈｉｇｈｎｏｎｌｉｎｅａｒｉｔｙｉｎｔｈｅＣＳＴＲ（ｃｏｎｔｉｎｕｏｕｓｓｔｉｒｒｅｄｔａｎｋｒｅａｃｔｏｒ）ｓｙｓｔｅｍ，ａｎｅｃｈｏｓｔａｔｅｎｅｔｗｏｒｋ（ＥＳＮ）ｉｓａｐ ｔｏｒ（ＣＳＴＲ）； ｐｌｉｅｄｔｏｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｈｅＣＳＴＲｓｙｓｔｅｍｗｉｔｈｍｏｄｅｌｕｎｃｅｒｔａｉｎｔｙ．ＥＳＮｈａｓｓｔｒｏｎｇｎｏｎｌｉｎｅａｒａｐｐｒｏｘｉｍａｔｉｏｎ ｎｅｕｒａｌｎｅｔｗｏｒｋ； ａｂｉｌｉｔｙａｎｄｇｏｏｄｓｈｏｒｔｔｅｒｍｍｅｍｏｒｙｃａｐａｃｉｔｙ．Ｆｕｔｈｅｒｍｏｒｅ，ｏｎｌｙｔｈｅｏｕｔｐｕｔｗｅｉｇｈｔｓｎｅｅｄｔｏｂｅｔｒａｉｎｅｄ，ｓｏｔｈｅ ｅｃｈｏｓｔａｔｅｎｅｔｗｏｒｋ； ｎｅｔｗｏｒｋｔｒａｉｎｉｎｇａｌｇｏｒｉｔｈｍｉｓｓｉｍｐｌｉｆｉｅｄ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｒｅｖｅａｌｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｐｒｏｖｉｄｅｓｃｏｎｓｉｄｅｒ ｓｙｓｔｅｍｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｂｌｙｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅａｎｄａｃｃｕｒａｃｙｏｆｉｄｅｎｔｉｆｉｃａｔｉｏｎｔｈａｎｍｅｔｈｏｄｓｂａｓｅｄｏｎａｎｙｏｆｔｈｅｆｏｌｌｏｗｉｎｇｕｎｄｅｒｓａｍｅ ｃｏｎｄｉｔｉｏｎｓ：ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＢＰＭＬＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳＳＶＭ）， ｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ（ＦＮＮ），ＧＡＰＲ