第十一课 神经网络系统辨识 人工神经网络理论及应用 教学课件.pptVIP

人工神经网络理论及应用 屈桢深 哈尔滨工业大学 系统辨识应用 控制系统的分析和设计 自适应控制：辨识器作为被控对象的模型， 调整控制器参数，获得较好的控制效果 建立辨识系统的逆模型，作为控制器 预测、预报：建立时变模型，预测其参数， 以实现系统参数的预测、预报。 监视系统运行状态，进行故障诊断 神经网络——解决非线性系统的离线/在线辨识问题 系统辨识理论基础 定义：在输入/输出数据基础上，从一组给定模型类中确定一个所测系统等价的模型。 辨识三要素： 输入/输出数据 模型类(系统结构) 等价准则 e.g. 符号 P: 待辨识系统； 辨识系统模型 u: 输入 y: 输出； 辨识模型产生的输出； w: 实际参数； 辨识参数 k: 采样时刻 J: 指标函数 v: 输出噪声 h: 数据向量 ：神经元作用函数 系统辨识问题表述 以SISO离散动态系统为例 {u(k), y(k)}是输入/输出时间序列(观测量) 根据观测量确定模型 ，使指标函数最小 模型辨识结构 误差准则 (1)输出误差 (2)输入误差 (3)广义误差 表达形式？ 辨识主要步骤 输入信号满足条件 充分激励原理：输入信号必须激励系统的所有动态； 激励时间充分长； 输入信号形式： 白噪声序列(均匀分布，正态分布)； 二进制伪随机码(M序列和逆M序列)； 系统模型及逆模型辨识 基于神经网络的系统辨识 选择适当的神经网络作为被辨识系统P的模型及逆模型 辨识过程 所选的网络结构确定后，在给定的被辨识系统输入输出观测数据下，网络通过学习（训练），不断的调整权系值，使得准则函数为最优。 NN辨识结构 NN辨识 系统辨识通常先离线，获得比较合适的初值，再在线，实时辨识时变参数； NN控制系统中，系统辨识是以系统在闭环控制下所得观测数据进行，因此是在线； 时变系统，多考虑在线辨识 动态系统辨识常用NN:时延NN 线性DTNN: 非线性DTNN: 动态系统辨识常用NN:输出反馈NN 两种辨识结构 线性系统差分方程模型：ARMA 为时域模型，由状态方程和输出方程组成： 确定性系统NN辨识 讨论SISO系统ARMA模型 并联型 串-并联型 均取指标函数： 学习算法： 确定性系统NN辨识——改进算法 引入加权因子，此时 可取 则参数估计更新： 如R(k)满足 不正交，则 无论w初值如何选，参数估值大范围一直渐进收敛 线性系统NN辨识示例(1) 随机系统NN辨识 第一类 h(k)和v(k)不相关； h(k)协方差阵为常数阵，且和w(k)不相关； 输入噪声s(k)和h(k), v(k)统计独立； 第二类 h(k)和v(k)相关； 第三类 h(k)和v(k)相关,和w(k)相关； 随机系统NN辨识 对于第一类随机系统，且输入不含噪声时， 可得到参数渐进无偏估计 对于输入含噪声的第一类和第二类随机系统，只能得到有偏估计。 改进算法(对含输入噪声的第一类随机系统) 噪声模型 则改进算法 是无偏的 线性系统NN辨识示例(2) 非线性系统动态模型 并联型结构 串-并联型结构 两种结构图示 辨识实例I——问题描述 辨识实例I——模型结构确定 线性系统的逆模型与辨识 最小相位系统的逆 非最小相位稳定系统的逆 神经网络逆模型辨识 神经网络线性逆模型辨识示例 非线性系统逆模型 非线性系统逆模型(2) 神经网络逆模型辨识 直接逆模型辨识 系统——逆模型辨识 模型辨识——逆模型辨识 系统——模型辨识——逆模型辨识 NN逆模型辨识示例 逆系统深入——示例I 逆系统深入——示例II 逆系统深入——定义 逆系统深入——SISO系统可逆性 逆系统深入——辨识步骤 逆系统深入——辨识实例 附：NN辨识学习算法证明 基本思想：构造Lyapunov函数，证明 证明：令 取Lyapunov函数 证明后两项≤0 附：NN辨识学习算法证明(续) 注意到 因此有 若使 ，则 即有… 参考文献 徐立娜 神经网络控制 Narendra, K.S., and S. Mukhopadhyay, “Adaptive Control Using Neural Networks and Approximate Models,” IEEE Trans. NN, Vol. 8, 1997, 475-485. K. S. Narendra and K. Parthasarathy, “Gradient methods for the optimization of dynamical systems containing neural networks,” IEEE Tr