基于递归神经网络的非线性时变系统辨识方法-系统工程专业论文.docxVIP

摘 摘 要 (非线性时变系统广泛存在于工程、社会和经济系统中，传统的系统辨识方 法对于非线性时变系统的辨识存在较大的困难。由于神经网络具有强大的非线 性处理能力，其在系统辨识领域中已有广泛应用，但无法直接应用到时变系统 的辨识。‘7本文针对神经网络在非线性时变系统辨识方面的应用作了一些有关的 研究。 本文采用的递归神经网络是动态网络。它利用网络的内部状态反馈来描述 系统的非线性动力学特性。降传统的前向网络相比，递归网络具有无需预先估 计系统时滞阶数和能用很少的记忆单元保持历史信息。递归网络在动态时序信 号处理、非线性动态系统控制等带有强时序系统中获得了广泛应用，j本文对几 种典型的递归网络结构及其学习算法进行介绍。 鉴于现有的递归网络大多采用收敛速度极慢的梯度类算法，本文提出了基 于扩展卡尔曼滤波的递归网络进行非线性时变系统辨识算法。这种算法综合了 卡尔曼滤波快速收敛性和递归网络不需要预先估计系统时滞阶数的优点。另外 基于单个神经元的局部化算法大大简化了存储量和计算量。引用的缓慢变化和 快速变化的时变系统辨识的仿真实例，表明了这种算法的有效性和快速收敛性。 上述算法是在权值变化未知的情况下，假定神经网络权值变化符合随机游 动规律。往此算法基础上先利用部分样本得到网络权值的时间序列，通过引入 时间序列分析ARA4A模型，构造相应的参数转移矩阵，得到新的权值状态方程。 据此推导出带转移矩阵的扩展卡尔曼i!i鲈归网络学习算法，这极大地提高了 神经网络在非平稳环境下的预报能力。1 关键词：系铰岁识，递归}惨网络，时间戍罗分析，非线性宅蹿系统， 扩展卡尔曼滤波，转移矩阵 V × 一———坚唑l_—————————————一Abstract 一———坚唑l_—————————————一 Abstract The nonlinear time．varying systems exist widely in the fields of engineering， social and economic systems．However,it is difficult for the traditional methods of system identification to identify such systems．Neural networks have been used widely in the area of system identification due to their ability to identify excellently the nonlinear and multi．variable systems，but they can not be used directly to identify nonstationary systems．In this paper，the methods using neural networks for nonlinear time．varying system identification are proposed． Neural networks we focus on are recurrent neural networks(RNN)which are dynamic networks．RNN represent nonlinear dynamics by allowing for intemal network feedback．There is no need for a priori knowledge of lagged orders and less units used to keeD the past in．formation in RNN．RNN have been widely used in such fields as signal processing，control of nonlinear dynamic systems where applications require explicit treatment of dynamics．Several typical RNN architectures and their algorithms are reviewed． Considering that most of the existing algorithms for RNN age gradient．descent type algorithms and have the conlmon disadvantage of extremely slow Convergence， an identification algorithm fo