基于人工神经网络的系统辨识.ppt

基于人工神经网络的系统辨识演示文稿当前1页，总共28页。

基于人工神经网络的系统辨识当前2页，总共28页。

主要内容人工神经网络的概述人工神经元模型人工神经网络的结构人工神经网络的学习几种典型的人工神经网络系统辨识概述系统辨识的基本概念系统辨识的三要素系统辨识的基本过程基于神经网络的系统辨识技术人工神经网络辨识的基本原理飞行器系统气动力参数辨识当前3页，总共28页。

人工神经网络的概述1.1人工神经元模型生物神经元结构当前4页，总共28页。

人工神经网络的概述1.1人工神经元模型三个基本要素：1、连接权；2、求和单元；3、激活函数。数学模型当前5页，总共28页。

人工神经网络的概述激活函数：1、硬限幅(Heaviside)激活函数2、线性激活函数3、对数-S型(sigmoid)激活函数4、对称硬极限激活函数5、饱和线性激活函数6、双曲正切S型激活函数7、正线性激活函数……当前6页，总共28页。

人工神经网络的概述1.2神经网络的结构前馈型网络（FNN）根据激活函数的不同，FNN又可分为多种类型。如多层感知器（MLP）、径向基网络（RBF）、小波网络（WN）当前7页，总共28页。

人工神经网络的概述反馈（递归）型网络全局反馈：Hopfield网络、Elman网络局部反馈网络是在单个神经元上进行反馈，类型很多当前8页，总共28页。

人工神经网络的概述1.3神经网络的学习通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点，在一般情况下，性能的改善是按某种规定的度量调节自身参数（如权值）并随时间逐步达到的，学习方式（按环境所供信息的多少分）有以下三种：有监督学习无监督学习强化学习学习算法：δ学习规则（误差纠正规则）Hebb学习规则竞争学习当前9页，总共28页。

人工神经网络的概述1.4几种典型的人工神经网络感知机神经网络BP（BackPropagation）神经网络径向基（RadialBasisFunction,RBF）神经网络竞争学习神经网络Hopfield神经网络Boltzmann神经网络……当前10页，总共28页。

人工神经网络的概述BP神经网络隐含层和输出层的激活函数采用对数-S型激活函数当前11页，总共28页。

人工神经网络的概述隐含层的第i个神经元在样本p作用下的输入为：隐含层的第i个神经元的输出为：输出层第k个神经元的总输入为：输出层的第k个神经元的实际输出为：BP网络的前馈计算当前12页，总共28页。

人工神经网络的概述BP网络权系数的调整规则对于每一样本p的输入模式对的二次型误差函数为：BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。学习过程按使误差函数Jp减小最快的方向调整加权系数直到获得满意的加权系数为止。因此，权系数应按Jp函数梯度变化的反方向调整，使网络逐渐收敛。输出层的神经元权系数修改公式：隐含层的神经元权系数修改公式：当前13页，总共28页。

人工神经网络的概述BP网络学习算法的计算步骤初始化：置所有的加权系数为最小的随机数；提供训练集：给出输入向量p和期望的输出向量t。计算实际输出；计算期望值与实际输出的误差；调整输出层的加权系数；调整隐含层的加权系数；返回步骤（3），直到误差满足要求为止。当前14页，总共28页。

系统辨识概述2.1系统辨识的基本概念设有一离散时不变因果系统，它的输入和输出分别为u(t)和yp(t)，并设u(t)是一致有界函数，那么辨识问题可以描述为寻求一数学模型,使得模型的输出和被辨识系统的输出尽量接近。当前15页，总共28页。

系统辨识概述2.2系统辨识三要素辨识三要素和辨识要点输入/输出数据系统模型类型等价准则能够量测到的系统的输入/输出数据所考虑的系统的结构给出辨识的优化目标输入信号的选择：必须能充分激励系统的所有模态。模型的选择：兼顾精确性和复杂性最常用的误差准则是误差平方和函数当前16页，总共28页。

系统辨识概述2.3系统辨识的基本过程⑴选定和预测被辨识系统的数学模型类型⑵试验设计：选择试验信号，记录输入/输出数据⑶参数估计：选择估计方法，根据测量数据估计数学模型中的未知参数。⑷模型验证：验证所确定的模型是否恰当地表示了系统当前17页，总共28页。

基于神经网络的系统辨识技术在正向建模问题中，神经网络与待辨识系统具有相同的输入，两者的输出误差作为网络的训练信号，这是典型的有监督学习问题。学习结束后，网络模型将具有与实际系统相同的输入输出特性。3.1人工神经网络辨识的基本原理正向模型（1）正向模型当前18页，总共28页。

基于神经网络的系统辨识技术（2）逆向模型直接逆模型间接逆模型直接逆向模型是把系统输出作为网络输入，用网络的输出与系统的输入作比较,两者的误差作为