基于人工神经网络的非线性时变系统辨识研究

论文摘要

传统的系统辨识方法大多建立在模型结构已知的基础上,需要过多的先验知识。而现实中存在的大量非线性时变系统,其先验知识匮乏,模型结构难以确定,给辨识工作带来了巨大的困难。本文针对难以确切描述的非线性时变系统,利用神经网络的黑箱特性和能够以任意精度逼近非线性模型的能力,对神经网络辨识方法进行了较深入的分析和探讨。文章首先系统介绍了人工神经网络在系统辨识方面的发展与研究现状,分析了常用的BP网络、RBF网络以及GRNN网络的学习方法并分别给出了仿真实例。在对比仿真结果的基础上,重点对GRNN网络进行了较深入的分析,总结出该网络存在的两个主要问题:一是GRNN网络模式层节点数目与训练样本的数目成正比,训练样本量增大,则模式层节点相应增多;二是平滑因子的取值对网络性能有重要影响,平滑因子若取单一值,则计算简便而精确不足,若取不同值,则结果较精确但计算复杂度高。然后,在分析以上问题产生原因的基础上,采取了两个相应的解决方案。针对第一个问题,采用了FCM聚类方法进行处理,以约简网络结构。并定义了输入数据的相似度指标,通过该指标与给定阈值进行比较来决定是否进行迭代聚类操作,以此来解决迭代操作繁琐、运算效率低下的问题。针对第二个问题,提出了一种基于每一个特征向量对网络输出的贡献率大小,来有选择的对相应的平滑因子进行优化的改进方法。最后归纳前文内容,总结出了基于改进的GRNN网络的辨识策略,并在实际的天然气水合物电阻率测量系统中进行了应用分析。实验结果表明该网络辨识模型处理速度快,辨识精度和泛化能力较高,具有较好的实用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景及意义
• 1.2 国内外研究现状
• 1.3 论文研究内容
• 1.4 论文组织结构
• 第二章 系统辨识及神经网络理论基础
• 2.1 系统辨识概述
• 2.1.1 系统辨识概念
• 2.1.2 非线性时变系统
• 2.2 传统系统辨识方法
• 2.2.1 参数辨识方法
• 2.2.2 模型描述法
• 2.3 人工神经网络理论基础
• 2.3.1 人工神经元模型
• 2.3.2 人工神经网络结构
• 2.3.3 人工神经网络学习方法
• 2.4 本章小结
• 第三章 人工神经网络系统辨识方法
• 3.1 概述
• 3.2 BP网络及其辨识仿真分析
• 3.2.1 BP网络结构及学习算法
• 3.2.2 仿真分析
• 3.3 RBF网络及其辨识仿真分析
• 3.3.1 RBF网络结构及学习算法
• 3.3.2 仿真分析
• 3.4 GRNN网络及其辨识仿真分析
• 3.4.1 概率神经网络简介
• 3.4.2 GRNN理论基础及网络结构
• 3.4.3 仿真分析
• 3.4.4 GRNN网络特点分析
• 3.5 本章小结
• 第四章 广义回归网络模式层节点约简
• 4.1 模糊C均值聚类简介
• 4.2 基于FCM的GRNN模式层节点约简
• 4.2.1 基于FCM的约简方法
• 4.2.2 仿真分析
• 4.3 本章小结
• 第五章 基于广义回归网络的系统辨识
• 5.1 概述
• 5.2 平滑因子计算方法
• 5.2.1 平滑因子范围确定
• 5.2.2 常用计算方法
• 5.3 平滑因子优化策略
• 5.3.1 基于贡献率的选择优化方法
• 5.3.2 仿真测试与性能分析
• 5.4 基于GRNN网络的辨识策略
• 5.5 GRNN网络在天然气水合物电阻率测量系统中的应用
• 5.5.1 系统描述与模型分析
• 5.5.2 辨识过程
• 5.5.3 结果分析
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢