基于Hammerstein型神经网络的非线性动态系统辨识

Hammerstein模型广泛应用于非线性系统的辨识中,其结构是由非线性静态增益部分和一个线性动态部分串联。提出一种Hammerstein型神经网络用来模拟传统的Hammerstein模型,并将其应用于非线性动态系统的辨识中。由Lipschitz熵来确定Hammerstein型神经网络的阶次,并利用反向传播算法对网络权值的进行训练。仿真结果表明,Hammerstein型神经网络具有较好的非线性动态系统辨识性能。     

非线性Hammerstein系统辨识的动态分离方法

利用同幅值的M序列和逆M序列作为输入信号, 对Hammerstein模型中的线性动态部分进行分离处理, 通过辨识得到一个线性动态模型. 基于此线性模型, 依据系统的测量输出重构出系统的中间输入. 最后由系统的测试输入和中间输入估计出非线性部分的参数. 仿真结果表明本方法的有效性.     

稳态估计与动态辨识相结合的辨识非线性系统的新方法

本文针对Ｈａｍｍｅｒｓｔｅｉｎ系统,提出了一种辨识非线性增益和脉冲响应的新方法,该方法同时利用稳态和动态两种信息,所得到的估计是强一致性的,并且还研究了非线性增益估计误差的渐近分布和收敛速度,仿真结果说明了该方法的有效性和实用性。     

辨识Hammerstein模型的两步法

本文利用稳态和动态信息提出了一种辨识Ｈａｍｍｅｒｓｔｅｉｎ模型的新方法－两步法,该方法利用稳态信息获取非线性增益的强一致性估计,利用动态信息获取线性子系统未知参数的强一致估计,该方法具有计算简单和辨识精度高等优点,最后的仿真结果说明了该方法的有效性和实用性。     

一类非线性动态系统的非参数GFRF模型辨识

本文对一类用多项式描述的非线性动态系统提出使用ＧＦＲＦ模型类的非参数辨识算法,这种算法的显著特点是需要很小的计算量和存储空间,而且辨识精度较高,仿真结果表明这种非参数模型辨识算法是有效的,而且由辨识方法获得的模型一般具有很好的泛化能力,因而是一种具有重要应用前景的实用方法 。     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。     

基于动态神经网的非线性鲁棒辨识

研究了一类基于动态神经网络的未知非线性多变量系统的鲁棒辨识问题，用Ｌｙａｐｕｎｏｖ稳定性理论获得了具有保护策略的鲁棒调权律，从理论上证明了被辨识的系统是鲁榛 ，辨识误差按建模误差和未建模动态收敛到一个稳定区域，该策略的特点是不需要离线学习又不需要对象的状态完全可测，仿真结果验证了提出的动态网鲁棒辨识策略的有效性。     

非线性动态系统的Wiener神经网络辨识法

提出了一种新的Wiener神经网络结构并将其应用于非线性动态系统辨识问题.首先,用Wiener模型对非线性动态系统进行描述,将其分解成线性动态子环节串接非线性静态增益的形式.其次,设计一种新型的神经网络结构,使网络权值对应于相应的Wiener模型参数;并推导了基于反向传播的网络权值调整方法.最后,通过网络迭代训练,可同时得到线性动态子环节和非线性静态增益的模型参数.通过一个Wiener模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法切实可行.     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

一种新的对角回归神经网络快速学习算法

提出一种新的动态对角回归神经网络学习算法－局部动态误差反传算法（LDBP）,该算法定义了一种新的局部均方差函数,并为回归单元建立一种新的学习结构。如果估计出各层的期望输出值,多层回归网络便可分解成一组自适应单元（Adaline）,而每个单元可通过二次优化方法进行训练。采用可在有限步人找出全局最优解的共轭梯度法（CG）进行寻优。由于学习过程采用超线性搜索,大大减少了循环步数和计算时间。     

一种在线建模方法的研究

针对一类系统提出了一种通用性较强的建模与决策方法以及在线生成系统模型的途径.该法可广泛用于静态、动态、线性与非线性系统的建模与决策.     

基于模糊网络的非线性不确定系统的迭代学习控制

针对非线性不确定系统，为保证受控制系统的响应特性，应用模糊网络理论构建了非线性系统的模糊模型；基于模糊模型给出了模糊迭代学习控制算法．实例分析和仿真验证表明，所给算法能跟踪系统参数变化，并且能自动调整控制增益，对于系统的扰动影响具有鲁棒性，是一种行之有效的控制方案．     

模糊系统反向传播学习算法在系统辨识中的应用

文中提出了一种模糊逻辑系统的网络模型，给出了相应的反向传播学习算法，并将其用于非线 辨识，构造了于种动态辨识器。     

瞬态表面温度传感器动态校准及误差补偿研究

测量瞬态高温时,由于传感器自身的热惯性,测量结果与真实结果之间存在很大的动态误差。动态补偿对于改善测温系统动态特性,减小动态误差有重要意义。该文首先熟悉现有的瞬态表面温度传感器动态校准系统;然后,利用系统所测得输人输出数据,采用系统辨识方法建立了测温系统的动态数学模型,并利用交叉检验法验证该模型的正确性;最后,利用反滤波动态补偿方法实现对瞬态表面温度传感器测温系统的动态补偿。经检验该方法可以达到理想的补偿效果,减小了动态误差,改善了系统的动态特性。     

瞬态表面温度传感器动态建模方法研究

测量瞬态高温时,由于传感器自身的热惯性,测量结果与真实结果之间存在很大的动态误差.动态补偿或动态误差修正对于改善测温系统动态特性,减小动态误差有重要意义,而建立温度传感器动态数学模型则是进行动态补偿或动态误差修正的前提.本文首先设计了瞬态表面温度传感器动态校准系统;然后,利用系统所测得输入输出数据,采用系统辨识方法建立了测温系统的动态数学模型;最后,利用交叉检验法验证该模型的正确性.经检验该方法可以达到理想的辨识效果,从而为系统反滤波动态误差修正奠定了基础.     

一种用于非参数系统辨识的粗糙进化方法

提出了一种用于非参数系统辨识的粗糙进化方法,该方法由嵌入ＡｐＥｎ的进化计算（ＥＣ）、进化粗糙集、基于信息论的组合型进化策略（ＥＳ）５和鲁棒非参数系统辨识所构成,该方法已用于Ｌｏｇｉｓｔｉｃ方程的辨识,这对于诸如家用电器的地系统来说也属于一种实用的技术,实验结果表明了文中方法的实用性和有效性。