基于RBF神经网络的非线性系统对象辨识

发布时间：2021-11-09 07:08

　　被控对象数学模型的精确建立是控制理论研究和发展的重要基础,但在实际工况中的控制系统多为复杂的非线性系统,因此高精度的非线性系统辨识技术显得至关重要。RBF神经网络具有对任意非线性函数逼近的能力,于是设计将RBF神经网络技术运用到系统辨识中,并通过Matlab仿真基于RBF神经网络对给定复杂非线性系统的辨识。仿真结果表明在对于复杂非线性系统的辨识上,基于RBF神经网络的系统辨识法是准确可行的。 

【文章来源】：科技创新与应用. 2020,(05)

【文章页数】：3 页

【部分图文】：

RBF神经网络结构

图2表示基于RBF神经网络的前向系统辨识模型，其中RBF网络作为辨识器，与被控对象构成串并联形式的辨识结构[4-5]。由图2可知，前向辨识模型神经网络与被控对象取相同的输入信号，将被控对象输出响应值作为学习目标值，并用被控对象的实际输出与网络输出的误差值作为神经网络辨识器的训练信号来修正神经网络内部参数，训练完成后使神经网络和被控对象的输入输出关系相同[6-7]。2.2被控对象Jacobian辨识算法

输入信号取方波信号和正弦信号，采样时间取0.001s，图3和图5分别为方波信号与正弦信号输入时非线性对象输出曲线与RBF神经网络辨识器输出曲线的对比图，图4和图6分别为方波信号与正弦信号输入非线性对象输出与RBF神经网络辨识器的误差曲线图，从仿真结果可以看出，RBF神经网络辨识器能够很好的逼近被辨识对象的输出，即使有时在辨识起始阶段有着一定的误差，但随着神经网络不断训练，误差迅速减小。从仿真结果表明，基于RBF神经网络的辨识器对非线性对象有着较好的辨识效果。图4 辨识器对系统方波输出的辨识误差曲线

【参考文献】：
期刊论文
[1]人工神经网络系统辨识综述[J]. 茹菲,李铁鹰.  软件导刊. 2011(03)
[2]基于RBF在线辨识的AGV转向单神经元PID控制[J]. 焦俊,陈无畏,王继先,李绍稳,崔怀雷,王檀彬.  仪器仪表学报. 2008(07)

博士论文
[1]基于神经网络的建模方法与控制策略研究[D]. 王俊国.华中科技大学 2004

硕士论文
[1]径向基函数神经网络学习算法研究[D]. 苏美娟.苏州大学 2007



本文编号：3484864