基于神经网络的动态系统辨识研究综述.docVIP

基于神经网络的动态系统辨识研究综述

动态系统辨识是通过观测系统的输入输出数据，构建能够描述系统动态行为数学模型的技术，是控制理论、信号处理等领域的核心基础。传统辨识方法如最小二乘法、卡尔曼滤波、极大似然估计等依赖对系统结构的先验假设，仅在系统线性、噪声分布已知的场景下表现稳定，但面对工业过程、生物系统、交通网络等具备强非线性、时变性、不确定性的复杂动态系统时，传统方法的建模精度与泛化能力存在明显瓶颈。近年来，神经网络凭借强大的非线性映射能力、端到端学习特性与对噪声的鲁棒性，成为突破复杂动态系统辨识困境的核心技术路径，相关研究呈现多方向交叉融合的爆发式发展态势。

一、神经网络用于动态系统辨识的基础框架与核心范式

神经网络动态系统辨识的本质是利用神经网络的通用逼近能力，拟合系统状态序列与输入输出序列之间的映射关系。根据对系统动态特性的建模方式差异，现有研究可分为三类核心范式：

（一）串行-并行辨识范式

串行-并行（Series-Parallel）范式又称Narendra范式，是目前应用最广泛的辨识框架。该范式将系统前一时刻的真实测量输出与当前输入共同作为神经网络的输入，预测当前时刻的系统输出。其优势在于训练过程中始终采用真实观测值作为反馈，避免了预测误差累积导致的训练不稳定，对数据噪声的鲁棒性较强，适合离线辨识场景。针对不同类型的动态系统，研究者对该范式的网络结构进行了针对性优化：对于