基于系统辨识的神经网络鲁棒性研究
发布时间:2008/6/3 0:00:00 访问次数:751
基于系统辨识的神经网络鲁棒性研究 摘要：给出了神经网络鲁棒性的概念，基于系统辨识的ｂｐ网络、ｒｂｆ网络和ｅｌｍａｎ网络的鲁棒性问题进行了分析和研究。仿真结果表明，神经网络用于非线性系统辨识有其广阔的前景。 关键词：鲁棒性 神经网络 系统辨识 在控制系统的研究中，人们关心的最基本的问题是系统的稳定性在参数变化下保持的可能性。ｄａｖｉｓｏｎ在提出干扰不变性的内模原理时提出了系统结构稳定性的概念，这是一种基于无穷小扰动分析的鲁棒性概念。在实际系统中参数既不能视为不变，也不能仅具有无穷小扰动。系统工作环境的变化，模型的不精确性、降阶近似、非线性的线性化等都可化成一种参数扰动。有时系统受控对象可能有几个不同的工作状态。当用同一控制器来控制时，人们也把不同工作状态所对应的参数差别视为一种扰动，这种参数的变化只能被视为有界扰动。现代鲁棒性分析的最重要的特点就是要求讨论在有界扰动下系统性能保持的能力。
常系数线性系统鲁棒分析与氯控制正取得丰富的成果，但非线性系统的鲁棒性研究还是十分必要的。神经网络的非线性系统变换为非线性系统尤其是工业过程系统的辨识与控制提供了有效的途径。本文针对三种用于工业过程控制的典型神经网络ｂｐ、ｅｌｍａｎ、ｒｂｆ网络算法的鲁棒性，进行了分析、比较和研究，最后给出了仿真结果。
１ 三种神经网络的鲁棒性分析
有的文献将神经网络的鲁棒性与泛化能力混为一谈，比如将采用双ｂｐ算法，使网络输入值变化很小时，网络输出值基本不变看成是网络的泛化性。所以首先要明确什么是神经网络的鲁棒性。对于前向无反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持正常的输入—输出关系的特性；对于反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持稳定的输入—输出关系的特性。
神经网络的鲁棒性依赖于神经网络参数位置和它附近系统误差曲面的具体形态。神经网络参数设计在极值点附近而其附近的形态误差曲面又比较平缓时，网络的鲁棒性就好，否则鲁棒性就差。使系统误差曲面在设计处平缓的主要方法是选用平滑的变换函数，但平滑的变换函数又不利于提高网络的学习速度。ｂｐ网络、ｅｌｍａｎ网络、ｒｂｆ网络的变换函数都是平滑的，所以问题的关键就是网络参数能否在极值点附近。
下面通过一个动态系统的实例进行分析。
动态系统的函数映射关系式为：
输入函数采用：
图１给出了系统的输入—输出延迟—输出的三维图，把输入和输出延迟都作为自变量时，就为利用静态网络辨识静态系统提供了可能性。
该动态系统的函数映射关系实际是基于ｎａｒｍａ模型的函数形式，因此可以把系统输入、输出和它们的延迟值同时作为静态神经网络的输入，从而使得静态神经网络能映射ｎａｒｍａ模型类的动态系统。ｎａｒｍａ模型是一种统一的有限可实现非线性系统的表达式。
基于系统辨识的神经网络鲁棒性研究 摘要：给出了神经网络鲁棒性的概念，基于系统辨识的ｂｐ网络、ｒｂｆ网络和ｅｌｍａｎ网络的鲁棒性问题进行了分析和研究。仿真结果表明，神经网络用于非线性系统辨识有其广阔的前景。 关键词：鲁棒性 神经网络 系统辨识 在控制系统的研究中，人们关心的最基本的问题是系统的稳定性在参数变化下保持的可能性。ｄａｖｉｓｏｎ在提出干扰不变性的内模原理时提出了系统结构稳定性的概念，这是一种基于无穷小扰动分析的鲁棒性概念。在实际系统中参数既不能视为不变，也不能仅具有无穷小扰动。系统工作环境的变化，模型的不精确性、降阶近似、非线性的线性化等都可化成一种参数扰动。有时系统受控对象可能有几个不同的工作状态。当用同一控制器来控制时，人们也把不同工作状态所对应的参数差别视为一种扰动，这种参数的变化只能被视为有界扰动。现代鲁棒性分析的最重要的特点就是要求讨论在有界扰动下系统性能保持的能力。
常系数线性系统鲁棒分析与氯控制正取得丰富的成果，但非线性系统的鲁棒性研究还是十分必要的。神经网络的非线性系统变换为非线性系统尤其是工业过程系统的辨识与控制提供了有效的途径。本文针对三种用于工业过程控制的典型神经网络ｂｐ、ｅｌｍａｎ、ｒｂｆ网络算法的鲁棒性，进行了分析、比较和研究，最后给出了仿真结果。
１ 三种神经网络的鲁棒性分析
有的文献将神经网络的鲁棒性与泛化能力混为一谈，比如将采用双ｂｐ算法，使网络输入值变化很小时，网络输出值基本不变看成是网络的泛化性。所以首先要明确什么是神经网络的鲁棒性。对于前向无反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持正常的输入—输出关系的特性；对于反馈神经网络而言，神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时，神经网络仍能保持稳定的输入—输出关系的特性。
神经网络的鲁棒性依赖于神经网络参数位置和它附近系统误差曲面的具体形态。神经网络参数设计在极值点附近而其附近的形态误差曲面又比较平缓时，网络的鲁棒性就好，否则鲁棒性就差。使系统误差曲面在设计处平缓的主要方法是选用平滑的变换函数，但平滑的变换函数又不利于提高网络的学习速度。ｂｐ网络、ｅｌｍａｎ网络、ｒｂｆ网络的变换函数都是平滑的，所以问题的关键就是网络参数能否在极值点附近。
下面通过一个动态系统的实例进行分析。
动态系统的函数映射关系式为：
输入函数采用：
图１给出了系统的输入—输出延迟—输出的三维图，把输入和输出延迟都作为自变量时，就为利用静态网络辨识静态系统提供了可能性。
该动态系统的函数映射关系实际是基于ｎａｒｍａ模型的函数形式，因此可以把系统输入、输出和它们的延迟值同时作为静态神经网络的输入，从而使得静态神经网络能映射ｎａｒｍａ模型类的动态系统。ｎａｒｍａ模型是一种统一的有限可实现非线性系统的表达式。
相关技术资料- 5-13业界新型“Dauerpower”逆变器SiC MOS
- 5-13电源管理芯片 (PMIC)应用详解
- 5-13 Power Management Buck/降压转换器̴
- 5-13AI GPU 和 TPU的超高功率密度电源模块
- 5-13高性能CMOS图像传感器芯片参数设计
- 5-13四丛集架构10核心方案SS1101处理器
- 5-12全界面量子芯片调控分析应用软件 Visage
- 5-1212nm FFC 工艺 HIFI5 DSP 系列芯片
- 5-12最新全场景座舱芯片X9SP
- 5-12安全芯片、电动汽车用功率驱动芯片应用标准
- 5-12MIPI A-PHY功率及通信芯片技术介绍
- 5-12新一代Harmony OS 5 操作系统技术应用探究
- 相关IC型号
热门点击
- 基于状态观测器实现转速及负载转矩估计的直流调
- 模糊控制技术在变频空调器中的应用
- 基于模糊神经网络的电梯群控系统的智能调度
- 基于系统辨识的神经网络鲁棒性研究
- AGV电磁锁相制导系统
- 用DSP实现新一代磁浮列车悬浮控制器
- 专家调整量化因子的模糊控制器
- CMAC神经网络模糊控制器设计
- CPLD在IGBT驱动设计中的应用
- 低功率继电器控制电路
推荐技术资料
- DFRobot—玩的就是
- 如果说新车间的特点是“灵动”，FQPF12N60C那么... [详细]
公网安备44030402000607
