系统辨识-read.ppt

第七讲 系统辨识的新方法 模糊模型辨识方法 神经网络辨识方法 模糊神经网络辨识方法 遗传算法 自适应辨识方法 鲁棒辨识方法 集合辨识方法 一、模糊模型辨识方法 1.模糊关系模型及其辨识 模型辨识问题：在给定性能指标下，根据系统的输入输出数据确定(1)所有的参考模型集合；(2)结构参数；(3)模型解关系阵R。以使性能指标J极小。 2. T-S模型 T-S模型辨识问题：辨识P参数 最小二乘辨识方法 递阶模糊辨识方法 复杂系统的递阶模糊辨识方法 控制理论与应用，2002，19（2） 模糊建模的模糊树方法 复杂系统模糊建模的模糊树方法 控制理论与应用，2002，19（2） 二、神经网络辨识 1 .神经元模型 2.人工神经网络 神经网络是一个具有如下性质的有向图： 神经网络的特征性质： 3. 几种神经网络 《按网络结构分、按网络性能分、按学习方式分》 BP网络 Hopfield网络 RBF网络 CMAC网络 小波神经网络 BP（Back propagation）多层前馈网络 网络学习过程由正向传播和反向传播组成 特点： (1) 只要具有足够的隐层和隐结点，BP网络就可以逼近任意的非线性关系 (2) 具有较好的泛化能力 缺点： 收敛慢 局部极值问题 网络结构难以确定 （经验、遗传算法） 改进： (1) 变尺度法 (2) 变步长法 (3) 引入动量项 4. 基于神经网络的系统建模和辨识 可辨识性问题 对于拟辨识的动力学系统，必须预先给出定阶的差分方程 无法表达对象的干扰部分 三、模糊神经网络模型 神经网络 模糊系统 模糊系统与神经网络的结合---- 模糊神经网络 基于T-S模型的模糊神经网络 1.模糊模型 T-S规则模型 2. 网络 由辨识算法和计算算法得到 学习算法 连接权 前件网络底二层各结点隶属函数的中心值及宽度 模糊神经网络的特点 模糊神经网络是局部逼近网络 网络结点及参数具有明显的物理意义 参数学习和调整快 非线性函数可表示为多个线性函数的模糊逼近 较大可能达到全局最优 （本质上存在局部极值问题） * * 非线性 平行分布处理 硬件实现 学习和自适应性 数据融合 多变量系统 输入层 隐含层 输出层 对象 N N y(t) u(t) e(t) 正模型、逆模型问题