非線性時變系統(tǒng)的時變高階神經(jīng)網(wǎng)絡(luò)建模.pdf

1、非線性時變系統(tǒng)因其復(fù)雜的動態(tài)特性而難以建模。神經(jīng)網(wǎng)絡(luò)是一個黑箱模型,它作為一個強大的函數(shù)逼近工具,被廣泛應(yīng)用于非線性系統(tǒng)的建模。然而,常規(guī)的神經(jīng)網(wǎng)絡(luò)和當(dāng)前普遍采用的辨識算法能力有限,在辨識復(fù)雜非線性時變系統(tǒng)時精度受到限制,特別是在訓(xùn)練數(shù)據(jù)受到噪聲影響后,辨識算法很難保證精確跟蹤。迭代學(xué)習(xí)辨識是從迭代控制理論中發(fā)展出來一種辨識方法,它在每個采樣時間點對系統(tǒng)的映射關(guān)系進行重復(fù)學(xué)習(xí),能夠完成系統(tǒng)參數(shù)的完全辨識任務(wù),因此適合強非線性時變系統(tǒng)的高

2、精度建模。本文在引入時變高階神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,討論了非線性時變系統(tǒng)的迭代學(xué)習(xí)辨識方法和策略。主要工作包括以下幾個方面:
　　 1.在常規(guī)徑向基函數(shù)網(wǎng)絡(luò)基礎(chǔ)上,采用減聚類算法確定網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)目,構(gòu)建一種時變高階徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。推導(dǎo)了一種帶死區(qū)的迭代學(xué)習(xí)算法來訓(xùn)練該網(wǎng)絡(luò)。在已知建模精度或誤差噪聲上限的情況下,算法能使每個時間點的跟蹤誤差收斂在以零點為中心的某個單位圓內(nèi)。通過為相同系統(tǒng)建模,對比了定常徑向基函數(shù)網(wǎng)絡(luò)和時變高階

3、基函數(shù)神經(jīng)網(wǎng)絡(luò)的建模能力,說明了時變高階神經(jīng)網(wǎng)絡(luò)在高精度建模上的有效性。
　　 2.考慮到徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)構(gòu)建的辨識模型隱層神經(jīng)元數(shù)量較多,引入一種時變Volterra高階神經(jīng)網(wǎng)絡(luò)為非線性時變系統(tǒng)建模,采用帶死區(qū)的迭代最小二乘學(xué)習(xí)算法,為一個復(fù)雜的非線性時變系統(tǒng)建模。Volterra高階網(wǎng)絡(luò)隱層神經(jīng)元存在“維數(shù)爆炸”的缺陷,利用正交最小二乘算法可選擇出有效回歸項,減少辨識所用隱層神經(jīng)元的數(shù)目。最后,將引入時間因子t的定常Vol