动态神经网络在液压系统模型辨识中的应用

发布时间：2021-01-01 00:35

　　使用建立在线性或本质线性系统基础上的传统辨识方法对各种非线性系统建模、辨识难以获得理想结果。本文利用动态神经网络能充分逼近任意复杂非线性关系这一特点展开如下研究工作: 1 对神经网络系统辨识方法进行了综述,与传统的系统辨识方法作比较,指出了各自的优缺点;回顾了神经网络的发展历程,详细分析了动态Elman神经网络的结构、功能和算法。2 分析了用标准BP 算法训练Elman 网络方法的局限,通过引入自反馈增益,得到一种Elman网络的改进型。同时,采用BP 算法对改进的Elman 网络权值进行调整,以某平整冷轧机液压自动厚控系统为例进行了模型的辨识,证明了改进的Elman网络对高阶非线性动态系统辨识的有效性。3 指出了标准BP 算法存在的缺陷,并提出了改进。分别采用基于标准BP 算法的Elman改进型网络和基于动态BP 算法的Elman基本型网络对某冷轧机液压AGC 系统进行了辨识比较,发现改进的Elman网络利用标准BP 学习算法,就能达到基本Elman 网络利用动态反传算法所达到的效果,两者能有效地辨识高阶动态系统,所用方法适用于其他工程领域。对某液压系统的辨识实验表明动态神经网络辨识... 

【文章来源】：长沙理工大学湖南省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

状态输出模型

因此能用多层前向网络逼近。这样 x(t)p作为 f ( )的目标输出，用 x(t )x(t)p 的状态误差来训练 f ( )静态网络。同理 y(t)p作为 h ( )的目标输出，用 y(t )y(t)p 的输出误差来训练 h ( )静态网络，其中可用 BP 算法或全局优化算法等进行训练。2）非线性 ARMA 模型(NARMA)尽管状态输出模型非常有用，但是对象的所有状态都可测通常是不可能的。此时，可以采用自回归滑动平均模型对非线性情况的扩展——非线性 ARMA 模型(NARMA)，如图 2.2：y(t )g(y(t1),y(t2),y(tn);u(t),u(t1),,u(tm))ppp= Λ Λ (2.16)称做预报模型，或串一并模型，或方程误差模型。这里即使整个系统是动态的， g ( )也是静态的，因此可用多层前向网络建模。 y(t)p作目标输出，可用 BP 算法进行训练。由于 NARMA 模型不能存贮任何状态信息，而且它取决于构造系统图 2.1 状态输出模型

因此能用多层前向网络逼近。这样 x(t)p作为 f ( )的目标输出，用 x(t )x(t)p 的状态误差来训练 f ( )静态网络。同理 y(t)p作为 h ( )的目标输出，用 y(t )y(t)p 的输出误差来训练 h ( )静态网络，其中可用 BP 算法或全局优化算法等进行训练。2）非线性 ARMA 模型(NARMA)尽管状态输出模型非常有用，但是对象的所有状态都可测通常是不可能的。此时，可以采用自回归滑动平均模型对非线性情况的扩展——非线性 ARMA 模型(NARMA)，如图 2.2：y(t )g(y(t1),y(t2),y(tn);u(t),u(t1),,u(tm))ppp= Λ Λ (2.16)称做预报模型，或串一并模型，或方程误差模型。这里即使整个系统是动态的， g ( )也是静态的，因此可用多层前向网络建模。 y(t)p作目标输出，可用 BP 算法进行训练。由于 NARMA 模型不能存贮任何状态信息，而且它取决于构造系统图 2.1 状态输出模型


本文编号：2950600