被控對(duì)象數(shù)學(xué)模型的精確建立是控制理論研究和發(fā)展的重要基礎(chǔ),但在實(shí)際工況中的控制系統(tǒng)多為復(fù)雜的非線性系統(tǒng),因此高精度的非線性系統(tǒng)辨識(shí)技術(shù)顯得至關(guān)重要。RBF神經(jīng)網(wǎng)絡(luò)具有對(duì)任意非線性函數(shù)逼近的能力,于是設(shè)計(jì)將RBF神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到系統(tǒng)辨識(shí)中,并通過(guò)Matlab仿真基于RBF神經(jīng)網(wǎng)絡(luò)對(duì)給定復(fù)雜非線性系統(tǒng)的辨識(shí)。仿真結(jié)果表明在對(duì)于復(fù)雜非線性系統(tǒng)的辨識(shí)上,基于RBF神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)法是準(zhǔn)確可行的。 

【文章來(lái)源】：科技創(chuàng)新與應(yīng)用. 2020,(05)

【文章頁(yè)數(shù)】：3 頁(yè)

【部分圖文】：

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖2表示基于RBF神經(jīng)網(wǎng)絡(luò)的前向系統(tǒng)辨識(shí)模型，其中RBF網(wǎng)絡(luò)作為辨識(shí)器，與被控對(duì)象構(gòu)成串并聯(lián)形式的辨識(shí)結(jié)構(gòu)[4-5]。由圖2可知，前向辨識(shí)模型神經(jīng)網(wǎng)絡(luò)與被控對(duì)象取相同的輸入信號(hào)，將被控對(duì)象輸出響應(yīng)值作為學(xué)習(xí)目標(biāo)值，并用被控對(duì)象的實(shí)際輸出與網(wǎng)絡(luò)輸出的誤差值作為神經(jīng)網(wǎng)絡(luò)辨識(shí)器的訓(xùn)練信號(hào)來(lái)修正神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)，訓(xùn)練完成后使神經(jīng)網(wǎng)絡(luò)和被控對(duì)象的輸入輸出關(guān)系相同[6-7]。2.2被控對(duì)象Jacobian辨識(shí)算法

輸入信號(hào)取方波信號(hào)和正弦信號(hào)，采樣時(shí)間取0.001s，圖3和圖5分別為方波信號(hào)與正弦信號(hào)輸入時(shí)非線性對(duì)象輸出曲線與RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)器輸出曲線的對(duì)比圖，圖4和圖6分別為方波信號(hào)與正弦信號(hào)輸入非線性對(duì)象輸出與RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)器的誤差曲線圖，從仿真結(jié)果可以看出，RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)器能夠很好的逼近被辨識(shí)對(duì)象的輸出，即使有時(shí)在辨識(shí)起始階段有著一定的誤差，但隨著神經(jīng)網(wǎng)絡(luò)不斷訓(xùn)練，誤差迅速減小。從仿真結(jié)果表明，基于RBF神經(jīng)網(wǎng)絡(luò)的辨識(shí)器對(duì)非線性對(duì)象有著較好的辨識(shí)效果。圖4 辨識(shí)器對(duì)系統(tǒng)方波輸出的辨識(shí)誤差曲線

【參考文獻(xiàn)】：
期刊論文
[1]人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)綜述[J]. 茹菲,李鐵鷹.  軟件導(dǎo)刊. 2011(03)
[2]基于RBF在線辨識(shí)的AGV轉(zhuǎn)向單神經(jīng)元PID控制[J]. 焦俊,陳無(wú)畏,王繼先,李紹穩(wěn),崔懷雷,王檀彬.  儀器儀表學(xué)報(bào). 2008(07)

博士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的建模方法與控制策略研究[D]. 王俊國(guó).華中科技大學(xué) 2004

碩士論文
[1]徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法研究[D]. 蘇美娟.蘇州大學(xué) 2007



本文編號(hào)：3484864