第19章神经网络预测.pptVIP

第19章 神经网络预测;;19.1 神经网络预测原理 在系统建模、辨识、预测等应用中，对于线性系统，在频域，传递函数矩阵可以很好地表达系统的黑箱式输入/输出模型；在时域，利用自回归滑动平均（ARMA）模型通过各种参数估计方法，也可以给出系统输入/输出的描述，比较完美的解决了线性系统预测问题。对于非线性系统，一般采用基于非线性自回归滑动平均（KARMA）模型进行预测。但是，很难为这种模型找到一个恰当的参数估计方法。因此，传统的非线性系统的辨识，在理论研究和实际应用方面都存在极大的困难。 ; 神经网络在这方面显示出了明显的优越性。由于神经网络具有通过学习逼近任意非线性映射的能力，将神经网络应用于非线性系统的建模与辨识中，可以不受非线性模型的限制，便于给出工程上易于实现的学习算法。 19.1.1 正向建模 正向建模是指训练一个神经网络表达系统正向动态的过程，这一过程建立的神经网络模型称为正向模型。在正向模型的结构中，神经网络与待辨识的系统并联，两者的输出误差用做网络的训练信号。;19.1.2 逆向建模 建立动态系统的逆模型，在神经网络控制中起着关键作用，并目得到了特别广泛的应用。其中比较简单的是直接逆建模法。 直接逆建模也称为广义逆学习，从原理上说，这是一种最简单的方法。拟预测的系统输出作为网络的输入，网络输出与系统输入比较，相应的输入误差用于训练，因此网络将通过学习建立系统的逆模型