基于人工神經網絡的非線性時變系統(tǒng)辨識研究.pdf

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