系统辨识论文综述 南京廖华

  本文关键词：基于遗传小波神经网络的光电稳定平台系统辨识，由笔耕文化传播整理发布。

北京信息科技大学

系统辨识论文综述

姓名：刘新菊

班级：研1206

学号：2012020176

专业：模式识别与智能系统

2012年—2013年第二学期

题名：基于遗传小波神经网络的光电稳定平台系统辨识

本文作者：杨维新，唐伶俐，汪超亮，李子扬

摘要：针对光电稳定平台系统不能对航空平台姿态高频变化进行实时精确补偿，系统补偿特性不能精确获知的问题，提出了一种自适应差分遗传小波神经网络的系统辨识方法。该方法首先采用小波函数作为神经网络的激励函数，提高了神经网络的泛化能力和逼近能力; 其次，对小波神经网络参数和结构进行染色体编码，用遗传算法解决了小波神经网络结构不易确定的问题; 最后，采用自适应法计算交叉率和变异率，并利用差分变异方法重组染色体，提高了系统辨识的收敛速度。为了检验该方法的辨识效果，采用无人机外场试验数据对光电稳定平台系统进行辨识，辨识结果表明，该方法可有效地辨识出光电稳定平台系统。

关键词: 遗传算法; 小波神经网络; 光电稳定平台; 系统辨识

1.引言：

航空遥感载荷在成像过程中，因搭载载荷的平台受到大气紊流、发动机振动等影响，导致载荷姿态发生快速的变化，致使获取的航空遥感图像出现扭曲、模糊等退化现象。为了减少载荷姿态变化对成像质量的影响，通常装配光电稳定平台对航空平台的姿态变化进行实时补偿，为遥感载荷成像提供一个相对平稳的数据获取环境，，以获取高质量的航空遥感载荷数据。然而，光电稳定平台系统受到机械传动等因素的限制，可完全补偿航空平台姿态频率范围较小，同时航空平台姿态变化频率范围通常高于光电稳定平台可完全补偿的上限值，使得无法获取光电稳定平台对航空平台高频姿态的精确补偿值，进而不能准确确定成像时刻相机的姿态。究其原因，是因为光电稳定平台在航空平台姿态变化全频率范围的系统补偿特性是未知的。因此，为了获取成像时刻准确的载荷姿态，提高航空遥感图像后处理精度，必须对光电稳定平台系统进行全频率范围内辨识。光电稳定平台系统是复杂的非线性系统，对于非线性系统辨识国内外学者提出了很多智能辨识方法，如ARMA( autoregressive moving average) 模型系统辨识方法、模糊逻辑算法、神经网络方法遗传算法和小波分析方法等。为了能更好的辨识出非线性系统，人们将各智能算法有效地结合，提出了如模糊神经网络方法、遗传神经网络方法、小波神经网络方法等。其中，小波神经网络方法因具有良好的时频特性、多尺度分辨能力、较强的逼近能力和容错能力，能够解决传统神经网络方法学习

收敛速度慢、易陷入局部最小值和过拟合等问题，因而在系统辨识中得到了广泛地应用。然而，小波神经网络方法存在隐层节点数不易确定的缺点，通常解决的办法是采用试凑法，但收敛速度较慢，且不易求出最优解。为了解决该问题，人们将遗传算法引入到小波神经网络，提出了遗传算法小波神经网络。为了能快速、高效地辨识出光电稳定平台系统，本文提出了基于自适应差分进化遗传小波神经网络的系统辨识算法。该算法具有遗传算法、小波分析方法、神经网络方法的优点，同时，为了提高对光电稳定平台系统的辨识效率，采用自适应差分算法求解遗传变异时每代种群最优交叉率和变异率。最后，为了验证该算法的辨识效果，将无人机外场获取的试验数据对光电稳定平台系统进行辨识，辨识结果表明，该算法可有效地辨识出光电稳定平台系统。

2.基于 ADEGAWNN 的光电稳定平台系统辨识

预使用 ADEGAWNN 算法对光电稳定平台系统进行辨识，首先需确定光电稳定平台系统的输入输出数据，并进行相应的预处理，其次初步确定小波神经网络的结构参数，最后对系统进行训练和辨识。

3.辨识方法验证及分析

为了验证本文提出算法的有效性，对某次无人机外场试验获取的 POS 姿态数据和光电稳定平台记录数据，进行训练和验证。对预处理后获得的 480181 组数据样本进行分析，发现姿态角变化范围较大，为了简化系统辨识的复杂度，并且不失一般性解决系统辨识问题，首先随机选取 1 000 组数据用于神经网络训练，分别对光电稳定平台俯仰、横滚和偏航 3 个分系统进行训练。根据训练后隐层节点的特征系数，确定了俯仰、横滚和偏航 3 个分系统神经网络结构隐层节点数分别为 4、4、12，即对应的神经网络结构分别为 3-4-1，3-4-1，3-12-1。 将 200 组校验样本对分别输入 3 个分系统，为了直观显示采用本文提出算法对光电稳定平台的辨识效果，将真实值和神经网络预测值进行比较和分析，并绘出相应的误差曲线，如图 3 ～ 8 所示。由图可见，采用小波神经网络对光电稳定平台系统预测值和真实值逼近效果较好，为了定量的描述系统辨识效果，计算辨识后 3 个系统的平均绝对误差、最大绝对误差，最大相对误差、均方差和辨识系统的适应度函数，结果如表 1 所示。从表 1 可见，各分系统预测的最大误差 较 小 (优于光电稳定平台设计的标定误差0．05 °) ，辨识系统的适应度值优

于设定值。所以，采用自适应差分进化遗传小波神经网络可以较好地辨识出光电稳定平台的动态补偿系统。

结论：

本文结合遗传算法的全局搜索能力和小波神经网络快速高精度的特点，提出了一种基于自适应差分进化遗传算法的小波神经网络系统辨识方法。该方法具有快速的学习能力、较强的泛化能力、容错能力、逼近能力和全局寻优能力，能有效解决传统神经网络结构不易确定和易陷入局部最小值的问题，快速高效地辨识出非线性系统。为了验证该系统辨识算法的效果，对无人机搭载的光电稳定平台的俯仰、横滚和偏航补偿系统分别进行了辨识。辨识结果表明，该系统辨识方法具有精度高、鲁棒性强及收敛性好等优点。

参考文献：

［1］ 周晓尧，范大鹏，张智永，等． 光电伺服控制系统多回路内模控制器分析与设计［J］． 红外与激光工程，2011，40( 10) : 2020-2027．ZHOU X Y，FAN D P，ZHANG ZH Y，et al． Analysis and design of multi loop IMC controller for electro-optical serve control systems［J］． Infrared and Laser Engineering，2011，40( 10) : 2020-2027．

［2］ 李嘉全，丁策，孔德杰，等． 基于速度信号的扰动观测器及在光电稳定平台的应用［J］． 光学 精密工程，2011，19( 5) : 998-1004．LI J Q，DING C，KONG D J，et al． Velocity based disturbance observer and its application to photoelectric stabilized platform ［J］． Optics and Precision Engineering，2011，19( 5) : 998-1004．

［3］ 陈在平，李兴军，董恩增，等． 基于改进 ARMA 模型的

管式加热炉氧含量辨识与建模［J］． 仪器仪表学报，2011，32( 5) : 1015-1020．CHEN Z P，LI X J，DONG EN Z，et al． Identification and modeling of tubular-furnace oxygen content based on improved ARMA model［J］． Chinese Journal of Scientific Instrument，2011，32( 5) : 1015-1020．

［4］ EKSIN I，EROL O K． A fuzzy identification method for nonlinear systems［J］． Turk J． Elec． Engin． ，2000，8( 2) :125-135．

［5］ KIM I H，FOK S，FREGENE K，et al． Neural network based system identification and controller synthesis for an industrial sewing machine［J］． International Journal of Control，Automation，and Systems，2004，2( 1) : 83-91．

  本文关键词：基于遗传小波神经网络的光电稳定平台系统辨识，由笔耕文化传播整理发布。