基于人工神經網絡的非線性時變系統(tǒng)辨識研究.pdf_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、傳統(tǒng)的系統(tǒng)辨識方法大多建立在模型結構已知的基礎上,需要過多的先驗知識。而現(xiàn)實中存在的大量非線性時變系統(tǒng),其先驗知識匱乏,模型結構難以確定,給辨識工作帶來了巨大的困難。本文針對難以確切描述的非線性時變系統(tǒng),利用神經網絡的黑箱特性和能夠以任意精度逼近非線性模型的能力,對神經網絡辨識方法進行了較深入的分析和探討。 文章首先系統(tǒng)介紹了人工神經網絡在系統(tǒng)辨識方面的發(fā)展與研究現(xiàn)狀,分析了常用的BP網絡、RBF網絡以及GRNN網絡的學習方法并

2、分別給出了仿真實例。在對比仿真結果的基礎上,重點對GRNN網絡進行了較深入的分析,總結出該網絡存在的兩個主要問題:一是GRNN網絡模式層節(jié)點數(shù)目與訓練樣本的數(shù)目成正比,訓練樣本量增大,則模式層節(jié)點相應增多;二是平滑因子的取值對網絡性能有重要影響,平滑因子若取單一值,則計算簡便而精確不足,若取不同值,則結果較精確但計算復雜度高。然后,在分析以上問題產生原因的基礎上,采取了兩個相應的解決方案。針對第一個問題,采用了FCM聚類方法進行處理,以

3、約簡網絡結構。并定義了輸入數(shù)據的相似度指標,通過該指標與給定閾值進行比較來決定是否進行迭代聚類操作,以此來解決迭代操作繁瑣、運算效率低下的問題。針對第二個問題,提出了一種基于每一個特征向量對網絡輸出的貢獻率大小,來有選擇的對相應的平滑因子進行優(yōu)化的改進方法。最后歸納前文內容,總結出了基于改進的GRNN網絡的辨識策略,并在實際的天然氣水合物電阻率測量系統(tǒng)中進行了應用分析。實驗結果表明該網絡辨識模型處理速度快,辨識精度和泛化能力較高,具有較

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論