系统辨识调研报告..docx

北京工商大学《系统辨识》课程调研报告题目类别：系统建模的分类 现代辨识方法报告题目：基于神经网络与模糊控制的辨识方法调研第一章系统辨识理论综述1.1系统辨识的基本原理根据LA.zadel的系统辨识的定义(1962):系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型系统辨识有三大要素：(1) 数据。能观测到的被辨识系统的输入或输出数据,他们是辨识的基础。(2) 模型类。寻找的模型范围,即所考虑的模型的结构。(3) 等价准则。等价准则一辨识的优化目标,用来衡量模型接近实际系统的标准。1.2系统辨识的经典方法1、阶跃响应法系统辨识；2、频率响应法系统辨识；3、相关分析法系统辨识；4、系统辨识的其他常用方法；1.3神经网络系统辨识综述1.3.1神经网络在线性系统辨识中的应用自适应线性(Adallne一MadaLine)神经网络作为神经网络的初期模型与感知机模型相对应，是以连续线性模拟量为输入模式，在拓扑结构上与感知机网络十分相似的一种连续时间型线性神经网络。这种网络模型是美国学者Widrow和Hoff于1960年提出的，简称Adaline网络，它主要用于自适应系统等连续可调过程。由于该网络能逼近任意连续的线性函数,因此该网络可用于线性系统辨识，具体的方法是：将连续输入信号的采样值经不同延时后，作为网络的输入模式，被辨识系统数据量的采样值作为网络的希望输出模式。Adaline网络的各连接权实际上就是被测系统微分方程中各阶导数的系数。随着网络学习过程的进行，这些系数逐渐逼近系统的真实值，直至得到系统的数学模型。除此网络之外,还有其它神经网络可以通近任意的线性和非线性系统。其中以Hopfield网络(HNN)为代表的反馈型神经网络在联想记忆或分类!优化计算、人工智能等领域得到了广泛的研究与应用。由于HNN可以通过vLS等硬件物理实现,这有利于充分发挥神经网络固有的信息并行处理能力。这种潜在的应用前景引起了控制界的极大兴趣，为神经网络在系统辨识方面研究工作的开展提供了动力。可以说，线性系统辨识的理论和方法已经比较成熟和完善。1.3.2神经网络在非线性系统辨识中的应用从控制理论的观点来看,神经网络对非线性函数的逼近能力是最有意义的，因为非线性系统的变化多端是采用常规方法无法建模和控制的基本原因,而神经网络描述非线性函数的能力,也就是对非线性系统的建模能力，正适合于解决非线性系统建模与控制器综合中的这些问题。具有这一特性的多层前馈神经网络在实际应用中的比例要占所有人工神经网络应用的百分之八十以上。自前向神经网络BP算法提出以来，己在控制界和其它领域得到广泛应用。由于BP算法学习速度慢,容易陷入局部极小值,网络隐含层的层数及隐含层的单元数的选尚无理论上的指导，而是根据经验确定;同时网络的学习!记忆具有不稳定性。一个训练结束的BP网络，当给它提供新的记忆模式时,将使己有的连接权打乱，导致记忆模式的信息丢失。要避免这种现象,必须将原来的学习模式连同新加入的学习模式一起重新进行训练。针对上述各种缺陷,迄今已提出大量改进算法。1.4模糊系统辨识综述模糊系统辨识包括两个主要过程,即结构辨识和参数辨识。前者是确定输入空间的模糊划分，包括确定规则数量，得到一个比较合理的原始系统。后者是对规则中的参数进行优化，在前者的基础上得到一个更加精确的系统。1.4.1模糊系统的结构辨识模糊系统的结构辨识主要是输入“输出空间的模糊划分以及其输入”输出分区间的映射关系，特别是模糊规则数的确定问题。国内外关于模糊建模的研究更多地是集中在参数辨识上，较少考虑结构的辨识。结构精简的模糊系统模型是实际应用所需要的，合理的初始状态是参数辨识过程能够迅速有效地收敛的关键。所以可以说结构辨识是模糊建模的最核心的问题。常见的结构辨识方法有下面几不中。(1)格栅划分；(2)基于聚类算法的划分；(3)二叉回归树法；(4)模糊自适应谐振算法；1.4.2参数优化的方法参数优化是调整规则前件!后件的参数，提高模糊系统的精度。下面是一些常见的参数优化方法。(1)误差反向传播算法(BackPropagation,BP算法)；(2)最小二乘法；(3)混合学习算法；(4)遗传算法(oenetieAlgorithms,GA)；(5)模拟退火算法(SimulatedAnnealing,SA)；(6)禁忌有哪些信誉好的足球投注网站算法(几buSearch,TS)；1.4.3模糊规则库的化简怎样从给定规则库中选取一些重要的模糊规则是模糊建模中的一个很重要的研究课题。“重要的模糊规则”只是一个相对的概念,应该保留的模糊规则数量与用户的精度要求是密切相关的。一个好的模糊系统模型,应该既能满足精度要求，又尽量的简化。给模糊规则予一个标志其重要性的指标是一个好的办法。在带权模糊系统中，规则权值在很大程度代表