資源描述：
《基于神經(jīng)網(wǎng)絡(luò)的非線性時(shí)變結(jié)構(gòu)系統(tǒng)辨識(shí)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文對(duì)于不同的待辨識(shí)系統(tǒng)，如何根據(jù)系統(tǒng)的先驗(yàn)信息設(shè)計(jì)合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括神經(jīng)元的類型、網(wǎng)絡(luò)層數(shù)、連接權(quán)類型、神經(jīng)元個(gè)數(shù)等，目前為止仍沒有有效的解決方法。實(shí)際應(yīng)用中通常采用試湊法。這不但無法保證得到的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)，且計(jì)算量很大。在網(wǎng)絡(luò)結(jié)構(gòu)已確定的情況下，網(wǎng)絡(luò)訓(xùn)練方法的效率問題成為重點(diǎn)。以BP算法為代表的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法具有效率低、容易陷入局部最小值等缺點(diǎn)。雖然已提出很多改進(jìn)算法，但仍不能徹底解決這些問題。因此，如何提出更有效的訓(xùn)練方法也是神經(jīng)網(wǎng)絡(luò)應(yīng)用的重要研究方向。近些年來，關(guān)于這些問題的研究已有不小的進(jìn)展，但仍沒有完全解決。目前，神經(jīng)網(wǎng)絡(luò)在非線性定常系統(tǒng)的
2、辨識(shí)方面取得了卓越的成績。這些系統(tǒng)輸入、輸出數(shù)據(jù)之間的映射關(guān)系是固定的，神經(jīng)網(wǎng)絡(luò)按照一定的辨識(shí)方法，根據(jù)待辨識(shí)系統(tǒng)輸入、輸出的歷史數(shù)據(jù)對(duì)權(quán)重進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)能夠完成這種固定的映射關(guān)系。時(shí)變系統(tǒng)與此不同,時(shí)變系統(tǒng)的輸入輸出之間的映射關(guān)系是隨時(shí)間的變化而不斷變化的，這就要求神經(jīng)網(wǎng)絡(luò)的輸入輸出映射關(guān)系也隨時(shí)間而變，但現(xiàn)有的訓(xùn)練方法都不能滿足這一個(gè)要求，因此需要探索用于時(shí)變系統(tǒng)辨識(shí)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。文[6]首次提出用推廣卡爾曼濾波算法訓(xùn)練前向神經(jīng)網(wǎng)絡(luò)，他們僅給出了網(wǎng)絡(luò)學(xué)習(xí)的全局算法，此算法計(jì)算非常繁瑣，且需矩陣求逆運(yùn)算。文[7]也曾用推廣卡爾曼濾波算法對(duì)前向神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，他們研究目的是為了改
3、進(jìn)BP算法的學(xué)習(xí)率，以時(shí)變學(xué)習(xí)率代替原來定常學(xué)習(xí)率，這種算法把單個(gè)權(quán)值作為研究對(duì)象，為每個(gè)權(quán)值建立動(dòng)態(tài)方程，并以該神經(jīng)元的輸出作為觀測(cè)值，建立觀測(cè)方程，然后利用推廣的卡爾曼濾波算法進(jìn)行學(xué)習(xí)。但是文[7]只用這種方法解決了XOR問題,沒能把算法應(yīng)用到系統(tǒng)辨識(shí)領(lǐng)域，而且，這種方法還需借助于BP算法的誤差反向傳播，因而計(jì)算比較繁瑣。文[8]提出利用推廣卡爾曼濾波算法對(duì)徑向基函數(shù)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用于系統(tǒng)辨識(shí)領(lǐng)域并取得了很好的效果。[9]Ruchti等回顧了一些能夠提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度的新算法，提出改進(jìn)的線性Kalman濾波算法。通過仿真算例證明新方法具有更快的收斂速度和辨識(shí)精度，[10]但也付出了計(jì)
4、算量增加的代價(jià)。Lou等利用Kalman濾波算法訓(xùn)練多層前向神經(jīng)網(wǎng)絡(luò)(MLP)，并通過數(shù)字仿真試驗(yàn)證明新方法較BP算法具有更快的收斂速度和更好的穩(wěn)定性。為高效快速跟蹤電驅(qū)動(dòng)機(jī)械設(shè)備的動(dòng)力學(xué)特性，S.Beineke等[11]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，引入擴(kuò)展Kalman濾波訓(xùn)練方法，取得不錯(cuò)的效果。[12]Simon等將擴(kuò)展Kalman濾波算法引入RBF網(wǎng)絡(luò)，并提出解耦擴(kuò)展Kalman濾波算法以降低計(jì)算量。-3-哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文[13]Petridis等提出一種所謂增量信用分配神經(jīng)網(wǎng)絡(luò)，即對(duì)模型每代的每個(gè)成員都計(jì)算其信用函數(shù)，再利用遺傳算法進(jìn)行訓(xùn)練，以得到能夠使均方誤差最小[14
5、]的系統(tǒng)參數(shù)。毛云英等構(gòu)造了一種用于LTVS辨識(shí)的神經(jīng)網(wǎng)絡(luò)，研究其對(duì)線性2m時(shí)變控制系統(tǒng)的逼近能力。證明在以L([0,t];R)的任意一個(gè)有界子集為控制函[15]數(shù)集上，該網(wǎng)絡(luò)具有一致逼近LTVS狀態(tài)的能力。劉勇等提出一種將遞階遺傳算法與SVD的優(yōu)點(diǎn)結(jié)合的新型徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)學(xué)習(xí)算法。該算法具有[16]較高的學(xué)習(xí)效率，且能同時(shí)確定RBF的結(jié)構(gòu)和參數(shù)。Poznyak等提出一種利用差分網(wǎng)絡(luò)的隨機(jī)非線性過程辨識(shí)，并提出了一種“死亡區(qū)”類型的學(xué)習(xí)規(guī)則對(duì)[17]網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練。Shen等將RBF引入到熔融碳酸鹽燃料電池的溫度特性建[18]模，并據(jù)此提出控制方法。Kiong等引入所謂“構(gòu)
6、成吸入的神經(jīng)網(wǎng)絡(luò)”進(jìn)行非線性動(dòng)力學(xué)系統(tǒng)辨識(shí)。該網(wǎng)絡(luò)是一種增長多專家網(wǎng)絡(luò)即問題空間被分成互相重疊的專家區(qū)域，不同的專家區(qū)域會(huì)跟據(jù)其專家水平給予不同的等級(jí)，網(wǎng)絡(luò)的最終輸出是這些局部線性模型的光滑組合。為了避免過擬合問題還引入多余專家消除算法以刪除多余專家的影響。[19]Prasad等在神經(jīng)網(wǎng)絡(luò)中通過對(duì)網(wǎng)絡(luò)加權(quán)矩陣進(jìn)行SVD消減多余的神經(jīng)[20]元，以達(dá)到網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)的目的。Ruano等利用NARX模型和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行飛行器燃?xì)鉁u輪的動(dòng)力學(xué)辨識(shí)。分別使用了MLP、RBF和B-樣條神經(jīng)網(wǎng)絡(luò)。[21]Song等為模擬機(jī)械連接結(jié)構(gòu)對(duì)組合結(jié)構(gòu)系統(tǒng)的影響，提出一種新的有限元模[22]型。為辨識(shí)該模型的動(dòng)
7、力學(xué)特性使用了MLP。Wen等使用從輸入到狀態(tài)的穩(wěn)定性方法得到一種對(duì)離散時(shí)間遞歸網(wǎng)絡(luò)的魯棒訓(xùn)練算法，并證明將離散時(shí)間遞歸網(wǎng)絡(luò)用于非線性系統(tǒng)辨識(shí)，權(quán)值調(diào)整的梯度下降法和反向傳播類型算法在L∞[23]意義下對(duì)任意邊界不確定性都是穩(wěn)定和魯棒的。Saadat等提出一種智能參數(shù)變化的辨識(shí)方法用于辨識(shí)由地震引起的結(jié)構(gòu)非線性。該方法克服了傳統(tǒng)參數(shù)化和非參數(shù)化方法的限制，并保留了這些方法的優(yōu)點(diǎn)。該方法的重大改進(jìn)在于使用內(nèi)在RBF辨識(shí)多自
