机械制造过程中地自适应混合神经网络方法.pdf

圭塑奎望查堂堡主笙塞 垫堕型堕塾堡主塑!垩皇堡垒塑丝塑塑互鲨—一 符号说明 儿 样本观测值 ”月 参考集中元素的数目 “，时间t的输入 ‘。lm检验集 P． t时刻的高斯白噪声系统误差 L 检验集的数目 盯2， 系统误差的方差 y。 检验集的起始观测样本 o． 模型分段常参数向量 ym检验集的最后观测样本 ^ @r o．的估计值 P。O)模型m的一步预报误差 f 系统映射函数 ER．川：，参考集的新息序列 M 现有模型的集合 En“。+L检验集的新息序列 M。 起始己知模型的集合 q0+1)En。。+。的起始新息 m 现有模型的总的数目 qG+L)E鼬+．，+￡的最后新息 m0 起始已知模型的总数 ；Ⅲ 时刻s+L的统计检验值 玎， 过程改变时间的次序 P(01递推最小二乘法的起始增 di 过程改变的时间间隔 益矩阵 0 过程改变的起始检测时间 P(，) t时刻的递推展小二乘法的 氏，”…％阮，瓦，．五)是变量阮，气，．五J 增益豁矩阵 的分布函数 日。 检验假设 LC 过程改变的分类指示值 q 日。的相对假没 DA 检验的准确度 ^Ho。HI的广义似然比 Ⅳ， 评价的总数 圭塑窒望奎堂堡主堡苎 塑燮!!垄苎堡童塑皇垩生墨鱼塑丝旦塑立鲨—一 k。“，参考集 Ⅳf 真确检验评价的总数 y”l 代表参考集的起始样本 Ⅳ。 错误检验评价的总数 儿 代表参考集的最后样本 vIIl 占童奎望查堂堡主兰焦堡塞 坐塑型堕垄堡主塑鱼重蜜堡垒塑丝堕竺查鲨—— 第一章绪论 1．1引言 本文的目标是提出一个自适应混合神经网络系统，它不但可以应用在过程监控 和在线系统识别上，还能应用于非稳态非线性环境下的学习。本文的重点是提出一个 有效的识别方法，和设计一个在线学习神经网络。该系统能快速有效地识别过程变化， 以及在制造环境下适应这种过程模式的变化。本研究将会对很多的研究有所帮助，如 机器人控制(例如装配机器人系统)，监视机器操作，刀具损坏的在线识别和化学过程 的监视与控制。 机器智能经常集中在两类问题：第一是识别一个模型来跟踪动态过程变化，另 一个是根据变化来完善模型。为了解决这两个问题，学习系统应该不但具有适应性， 而且能捕获当前在线过程的模式变化。 在状态反馈控制器设计中，多过程模型被用来描述系统对外部扰动的反应。因 为用一个单过程模型用来描述一个动态系统是远远不够，由于随时间变化的扰动，控 制信号输入会不断地变化，它们是时变信号。在机械制造系统中，用于