基于混合神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模.pdf

1、為了彌補(bǔ)單一的神經(jīng)網(wǎng)絡(luò)在非線性動態(tài)系統(tǒng)建模和應(yīng)用中表現(xiàn)出來的易陷入局部最小值、訓(xùn)練時間長、校驗精度低、泛化能力差等缺點和不足，更好地發(fā)揮神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識中表現(xiàn)出來的高度非線性、自組織、自適應(yīng)、自學(xué)習(xí)等特性，本文提出了B樣條網(wǎng)絡(luò)與對角遞歸神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。其中，B樣條網(wǎng)絡(luò)負(fù)責(zé)系統(tǒng)中的非線性映射部分；線性對角遞歸網(wǎng)絡(luò)則主要反映系統(tǒng)的動態(tài)特征。 作者將CSTR模型和聚酯生產(chǎn)過程作為仿真對象，分別采用最小二乘學(xué)習(xí)方

2、法和RPE學(xué)習(xí)方法，利用串聯(lián)和并聯(lián)的混合網(wǎng)絡(luò)對仿真對象的建模進(jìn)行實驗。仿真實驗的結(jié)果表明：采用最小二乘學(xué)習(xí)方法的混合神經(jīng)網(wǎng)絡(luò)能夠以較高的精度和較快的速度為輸出可測的非線性動態(tài)系統(tǒng)建模；而利用RPE學(xué)習(xí)方法則可以為輸出不可測的復(fù)雜的非線性動態(tài)系統(tǒng)建立精度較高的模型。實驗結(jié)果還證明了混合神經(jīng)網(wǎng)絡(luò)能夠降低單個網(wǎng)絡(luò)的訓(xùn)練難度，改善采用單一神經(jīng)網(wǎng)絡(luò)建模過程中存在的精度不高以及訓(xùn)練時間長等不足，同時為非線性系統(tǒng)控制策略的求解提供方便。 針對

3、神經(jīng)網(wǎng)絡(luò)“黑箱”性體現(xiàn)出的不能充分利用系統(tǒng)已知因素的缺點，作者進(jìn)行了神經(jīng)網(wǎng)絡(luò)“白盒化、透明化”研究，提出了結(jié)構(gòu)逼近式混合神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，使得混合網(wǎng)絡(luò)的結(jié)構(gòu)能夠與現(xiàn)實系統(tǒng)變量相對應(yīng)，賦予網(wǎng)絡(luò)單元物理意義，充分利用系統(tǒng)內(nèi)部已知因素為系統(tǒng)建立精確模型。 作者將CSTR模型作為結(jié)構(gòu)逼近式混合網(wǎng)絡(luò)的仿真對象，采用最小二乘學(xué)習(xí)方法對結(jié)構(gòu)式網(wǎng)絡(luò)進(jìn)行訓(xùn)練，為仿真對象建模。作者使用并聯(lián)混合網(wǎng)絡(luò)和結(jié)構(gòu)逼近式混合網(wǎng)絡(luò)分別為濃度不可測的CSTR仿真