資源描述：
《基于時變神經(jīng)網(wǎng)絡(luò)的離散時變非線性系統(tǒng)辨識 - 嚴偉力》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、Proceedingsofthe8thWorldCongressonIntelligentControlandAutomationJuly6-92010,Jinan,ChinaIdentificationofDiscrete-TimeVaryingNonlinearSystemsUsingTime-VaryingNeuralNetworksW.-L.Yan,M.-X.SunCollegeofInformationEngineering,ZhejiangUniversityofTechnology,Hangzhou,China(mxsun@zjut.edu.c
2、n)Abstract—Iterativelearningidentificationalgorithmsfortime-varyingneuralnetworkstrainingarepresented,bywhichneuralnetworksbasedidentificationfordiscrete-timevaryingnonlinearsystemscanbecarriedout,asthesystemundertakenperformstasksrepeatedlyoverafinitetimeinterval.Thispaperdevelops
3、theiterativelearningleastsquaresalgorithmwithdead-zonefortheweightsupdatingalongtheiterationaxis.Inordertoimprovetheconvergencerate,thelearningalgorithmismodifiedbyre-adjustingthecovariancematrix.Theproposedalgorithmsguaranteethattheestimationerrorconvergestoaboundpointwiselyoverth
4、eentiretimeinterval.Numericalresultsarepresentedtodemonstrateeffectivenessoftheproposedlearningalgorithms.Keywords—identification,discrete-timevaryingnonlinearsystems,time-varyingneuralnetworks,iterativelearningleastsquares基于時變神經(jīng)網(wǎng)絡(luò)的離散時變非線性系統(tǒng)辨識嚴偉力孫明軒浙江工業(yè)大學(xué)信息工程學(xué)院，杭州，浙江，中國摘要針對在有限時間區(qū)間上
5、可重復(fù)運行的離散時變非線性系統(tǒng)，給出基于時變神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)辨識算法。提出在同一時刻沿迭代軸訓(xùn)練網(wǎng)絡(luò)權(quán)值的帶死區(qū)迭代學(xué)習(xí)最小二乘算法；為防止收斂速度下降過快，進一步提出協(xié)方差陣可重調(diào)的改進算法。所提算法能保證整個有限時間區(qū)間上的估計誤差沿迭代軸逐點收斂到原點的鄰域中，鄰域半徑取決于神經(jīng)網(wǎng)絡(luò)的建模精度。仿真結(jié)果驗證了所提算法的有效性。關(guān)鍵詞辨識，非線性時變系統(tǒng)，時變神經(jīng)網(wǎng)絡(luò)，迭代學(xué)習(xí)最小二乘1．引言未知時變參數(shù)，此類辨識方法可使整個有限時間區(qū)間上的由于系統(tǒng)特性關(guān)于參數(shù)是線性的，人們推廣已有線性估計誤差沿迭代軸逐點收斂到零。對于系統(tǒng)存在未建模動系統(tǒng)辨識方法給出
6、可線性參數(shù)化非線性動態(tài)系統(tǒng)的參數(shù)估態(tài)或存在外界擾動時的情形，需要進一步研究。計。這些參數(shù)估計算法往往只適合辨識定?；蚵龝r變參數(shù)已證明神經(jīng)網(wǎng)絡(luò)對非線性連續(xù)函數(shù)具有良好的逼近能系統(tǒng)。已提出的針對時變參數(shù)系統(tǒng)的辨識方法如帶遺忘因力[4-6]。近年來，以神經(jīng)網(wǎng)絡(luò)辨識非線性定常系統(tǒng)方面的子的最小二乘法[1]、卡爾曼濾波法[2]等，通常是沿時間軸研究成果很多[7-10]。已有文獻中神經(jīng)網(wǎng)絡(luò)的權(quán)值大多是沿對時變參數(shù)進行跟蹤，估計誤差能沿時間軸實現(xiàn)有界收斂。時間軸進行訓(xùn)練，訓(xùn)練完后網(wǎng)絡(luò)的輸入與輸出之間的映射迭代學(xué)習(xí)辨識方法適于解決在有限時間區(qū)間上可重復(fù)關(guān)系是固定不變的，而時
7、變系統(tǒng)的輸入輸出之間的映射關(guān)運行的動態(tài)系統(tǒng)的時變參數(shù)估計問題。在一定條件下，該系會隨時間不斷變化，這要求神經(jīng)網(wǎng)絡(luò)的輸入輸出之間的方法可對系統(tǒng)實現(xiàn)完全辨識任務(wù)，使整個有限時間區(qū)間上映射關(guān)系也能隨時間變化。文[11]將權(quán)值當(dāng)作系統(tǒng)的未知時的估計誤差沿迭代軸收斂到零。文[3]針對一類含有未知時變參數(shù)，利用卡爾曼濾波算法對其進行估計，取得了較好變參數(shù)的離散時變系統(tǒng)，給出了迭代學(xué)習(xí)投影和迭代學(xué)習(xí)的辨識效果。但該算法仍舊是沿時間軸估計權(quán)值，估計誤最小二乘兩種算法。通過在同一時刻沿迭代軸估計系統(tǒng)的差能沿時間軸實現(xiàn)漸近收斂。本文所要研究的問題是如何在一有限時間區(qū)間上利用神經(jīng)
8、網(wǎng)絡(luò)完全辨識非線性時變系國家自然科學(xué)基金項目（資助號
