基于神经网络的热工系统辨识方法研究

发布时间：2021-04-03 01:17

　　神经网络系统辨识可为非线性系统辨识提供一个简单合理的一般性方法,其本质是选择一个合适的网络模型来逼近实际系统,因而非常适用于热工系统的辨识。以BP神经网络为基础,研究了其在热工系统辨识中的运用。研究主要是基于BP神经网络在热工系统中的运用。先是概述了神经网络、系统辨识等相关理论知识,偏重介绍了BP网络及L-M算法,说明了神经网络在系统辨识中应用的一般思路和结构。最后研究了将BP网络应用于典型自衡对象以及飞灰含碳量的辨识,取得了较好的辨识结果。 

【文章来源】：计算机仿真. 2016,33(08)北大核心CSCD

【文章页数】：6 页

【部分图文】：

神经网络辨识系统框架

再从1)开始执行;否则，用μ乘以θ，再从3)开始执行。当误差平方和减小到等于或小于某一目标误差时，算法即可看作收敛。3基于神经网络的系统辨识3．1基于神经网络系统辨识的基本思路在利用神经网络进行系统辨识的工作中已取得很多成果，而且创新出了很多新的办法，但目前较为成熟并且运用较广泛的是Chen和Billings等人的思维方法［12］。给出神经网络辨识系统的框架图，如图1所示。图1神经网络辨识系统框架3．2神经网络的辨识结构本文采用，正向建模结构进行辨识，正向建模结构也叫串－并辨识结构，其结构图如图2所示［13，14］。图2中，采纳的学习方法是监督学习法，教师信号直接向神经网络提供目标值，运用网络收集将预估误差直接反传并训练［15］。本辨识结构是对系统输出的一步超前预报，此预报基于当前最新观测数据，从而也被称为一步预报模型［16］。该模型是有界的，而且可以确保辨识系统保持在较为稳定的状态。因此适用于热工对象的辨识。图2正向建模(串－并辨识)结构图4基于BP神经网络热工对象的系统辨识4．1典型对象的辨识设计一个神经网络来拟合一个典型自衡对象G(s)=11+100se－120s(16)对于上式的系统，设其采样时间Ts，将其离散化得到差分方程如下:y(k)=(1－0．01Ts)y(k－1)+0．01Tsx(k－120Ts－1)(17)根据得到的系统差分方程，构建含1000组数据的数据对，为网络训练做准备。现采用单位阶跃响应对系统仿真训练，设置采样时间Ts=1。系统单位响应曲线如图3所示。图3输入输出曲线对训练好的网络进行仿真，绘出其输出曲线，与原始非线性函数曲线画在同一张图中，经过对两者的比较，所得结果如图4所示。并绘制误差曲线，如图5所示。图4训练后网络的输出结?

系统保持在较为稳定的状态。因此适用于热工对象的辨识。图2正向建模(串－并辨识)结构图4基于BP神经网络热工对象的系统辨识4．1典型对象的辨识设计一个神经网络来拟合一个典型自衡对象G(s)=11+100se－120s(16)对于上式的系统，设其采样时间Ts，将其离散化得到差分方程如下:y(k)=(1－0．01Ts)y(k－1)+0．01Tsx(k－120Ts－1)(17)根据得到的系统差分方程，构建含1000组数据的数据对，为网络训练做准备。现采用单位阶跃响应对系统仿真训练，设置采样时间Ts=1。系统单位响应曲线如图3所示。图3输入输出曲线对训练好的网络进行仿真，绘出其输出曲线，与原始非线性函数曲线画在同一张图中，经过对两者的比较，所得结果如图4所示。并绘制误差曲线，如图5所示。图4训练后网络的输出结果—379—


本文编号：3116327