基于改进支持向量机的连续搅拌反应釜辨识-控制科学与工程专业论文.docxVIP

重庆大学硕士学位论文 重庆大学硕士学位论文 2 2 基于支持向量机的 CSTR 辨识建模 PAGE PAGE 10 PAGE PAGE 13 1.2 国内外研究现状 1.2.1 非线性系统的辨识 目前，尽管对线性系统已经有了较为成熟的辨识方法，如最小二乘法，但是对非线 性系统的辨识尚处于探索阶段，没有类似的手段对其进行逼近[4][5]。非线性系统辨识问 题由建立一个合适参数化的辨识模型和通过最优化未知系统与模型输出之间误差的性 能函数来调整模型的参数两部分组成。目前已有的一些非线性系统的辨识方法，往往需 要有关被辨识系统的结构形式等各种先验知识和假设，因此它们基本上是针对某些特殊 非线性系统而言的[6]。 在实际应用中，飞行器系统是一个较复杂的非线性系统，噪声统计分布特性难以确 定，要较好地描述未知参数的可行解，用统计类的辨识方法辨识飞行器动参数很难达到 理想效果。采用集员辨识可解决这种问题。首先用迭代法给出参数的中心估计，然后对 参数进行集员估计（即区间估计）。这种方法能处理一般非线性系统参数的集员辨识， 已经成功地应用于飞行器动参数的辨识[7]。当系统数学模型精确已知，模型参数具有明 显的物理意义或者物理参数具有明确的对应关系时，一般的辨识方法能够快速有效地进 行故障检测与隔离。然而实际复杂系统，所建数学模型的未建模动态和统计特性未知噪 声的存在，常用的参数辨识方法而不能达到故障检测与隔离的效果，采用集员辨识法则 能够达到较好的效果。所给检测方法可快速且有效地检测出传感器故障、参数跳变故障 和参数缓变故障等。该方法具有一定的适用性，他不需要知道数学模型参数的先验信息， 未建模动态和未知噪声均可当作有界误差来处理[8]。集员辨识作为系统辨识的一种新的 方法，且给系统辨识带来了巨大的方便 多层递阶方法由韩志刚等[9][10]提出的，并且用他来解决实际问题中的不确定的复杂 系统的一种现代系统辨识方法。多层递阶方法的主要思想为：以时变参数模型的辨识方 法作为基础，在输入输出等价的意义下，把一大类非线性模型化为多层线性模型，为非 线性系统的建模给出了一个十分有效的途径。从20世纪90年代以来，多层递阶方法的研 究引起了许多学者的关注，其理论研究取得了长足的迅速发展。该方法也有广泛的应用 前景，比如在气象领域、农业病虫害预报和金融系统等应用研究方面已硕果累累。 由于人工神经网络具有良好的非线性映射能力、自学习适应能力和并行信息处理能 力，为解决未知不确定非线性系统的辨识问题提供了一条新的思路，目前应用最为广泛 [11]。在辨识非线性系统时,，人们可以根据非线性系统的神经网络模型辨识系统结构[12]， 其并行处理、分布式存储以及很好的鲁棒性和自适应、自学习的特性为它在控制领域的 应用开辟了广阔前景，特别是它能够通过输入输出数据进行学习以逼近非线性函数的特 征，使之成为非线性系统建模、辨识与控制中的非常重要的技术与方法。 有学者研究动态递归神经网络[13]，并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，能更直接地反映系统的动态特性。递归神经网络在系统建模、辨识与控制 中已经获得了一些成功的应用，该方法具有较好的逼近性能，但需要事先确定网络规模 与结构但由于网络结构复杂，仍然存在训练算法收敛速度慢的问题，并且容易陷入局部 最优解，搜索效率低，辨识的模型也不易于理解，而使得其在实时应用方面存在很大的 局限性。 1985年Takagi和Sugeno提出了T-S模糊模型[17][18]，该模糊模型是以局部线性化为基 础，通过模糊推理的方法实现了全局的非线性。该模型具有结构上简单、逼近能力强等 特点，已经成为模糊逻辑辨识中常用的模型。典型的模糊结构辨识方法有：模糊网格法、 自适应模糊网格法、模糊聚类法及模糊搜索树法等。其中模糊聚类法是目前最常用的模 糊系统结构辨识方法，其中心问题是设定合理的聚类指标，根据该指标所确定的聚类中 心可以使模糊输入空间划分最优。另外，还有一些把模糊理论与神经网络、遗传算法等 相结合而形成的辨识方法[19]。它可以实现较好的辨识精度，辨识模型为具有明显语义特 征的模糊规则，然而模糊集的划分、隶属度函数的选择通常根据专家对系统的先验知识 与经验来确定，缺乏通用性。 小波网络是在小波分解的基础上提出的一种前馈神经网络[23]，使用小波网络进行动 态系统辨识，成为神经网络辨识的一种新的方法。小波网络类似于径向基网络，隐层结 点的激活函数以小波函数基来代替，输入层到隐层的权值和阈值分别对应于小波的伸缩 参数和平移参数。小波网络与其他前向神经网络一样都具有任意性的逼近非线性函数的 能力。小波分析在理论上保证了小波网络在小波网络的形式和设计方法多种多样：如文 献[24]是利用小波函数（或尺度函数）替换普通神