系统辨识调研报告.docx

《系统辨识调研报告.docx》由会员分享，可在线阅读，更多相关《系统辨识调研报告.docx（7页珍藏版）》请在第一文库网上搜索。

1、世京工商K段系疣辨徂信福调研赧告题目类别：系统建模的分类现代辨识方法报告题目：基于神经网络与模糊控制的辨识方法调研目录第一章系统辨识理论综述21.1 系统辨识的基本原理21.2 系统辨识的经典方法213神经网络系统辨识综述31.3.2 神经网络在非线性系统辨识中的应用314模糊系统辨识综述314.1模糊系统的结构辨识31.3.3 参数优化的方法41.3.4 模糊规则库的化简41.5小结4第二章模糊模型辨识方法的研究52.1 模糊模型辨识流程52.2 模糊模型结构辨识方法52.3 模糊模型参数辨识方法62.4 模糊系统辨识中的其它问题62.4.1 衡量非线性建模方法好坏的几个方面62.4.2 模

2、糊辨识算法在实际系统应用中的几个问题62.4.3 模糊模型的品质指标62.5 小结7第三章基于两种模型的自行车机器人系统辨识73.1 基于ARX模型的自行车机器人系统辨识73.2 基于ANFIs模糊神经网络的自行车机器人系统辨识73.3 展望7第一章系统辨识理论综述1.1 系统辨识的基本原理根据1A.zade1的系统辨识的定义(1962):系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中，确定一个与所测系统等价的模型”系统辨识有三大要素：(1)数据。能观测到的被辨识系统的输入或输出数据,他们是辨识的基础。(2)模型类。寻找的模型范围,即所考虑的模型的结构。(3)等价准则。等价准则一辨

3、识的优化目标用来衡量模型接近实际系统的标准。1.2 系统辨识的经典方法1、阶跃响应法系统辨识；2、频率响应法系统辨识；3、相关分析法系统辨识；4、系统辨识的其他常用方法;1.3 神经网络系统辨识综述1.3.1 神经网络在线性系统辨识中的应用自适应线性(Ada11neMada1ine)神经网络作为神经网络的初期模型与感知机模型相对应，是以连续线性模拟量为输入模式，在拓扑结构上与感知机网络十分相似的一种连续时间型线性神经网络。这种网络模型是美国学者WidroW和Hoff于1960年提出的，简称Ada1ine网络，它主要用于自适应系统等连续可调过程。由于该网络能逼近任意连续的线性函数,因此该网络可用

4、于线性系统辨识，具体的方法是：将连续输入信号的采样值经不同延时后，作为网络的输入模式，被辨识系统数据量的采样值作为网络的希望输出模式。Ada1ine网络的各连接权实际上就是被测系统微分方程中各阶导数的系数。随着网络学习过程的进行，这些系数逐渐逼近系统的真实值，直至得到系统的数学模型。除此网络之外,还有其它神经网络可以通近任意的线性和非线性系统。其中以HoPfieki网络(HNN)为代表的反馈型神经网络在联想记忆或分类!优化计算、人工智能等领域得到了广泛的研究与应用。由于HNN可以通过v1S等硬件物理实现,这有利于充分发挥神经网络固有的信息并行处理能力。这种潜在的应用前景引起了控制界的极大兴趣，

5、为神经网络在系统辨识方面研究工作的开展提供了动力。可以说，线性系统辨识的理论和方法已经比较成熟和完善。1.3.2 神经网络在非线性系统辨识中的应用从控制理论的观点来看,神经网络对非线性函数的逼近能力是最有意义的，因为非线性系统的变化多端是采用常规方法无法建模和控制的基本原因,而神经网络描述非线性函数的能力,也就是对非线性系统的建模能力，正适合于解决非线性系统建模与控制器综合中的这些问题。具有这特性的多层前馈神经网络在实际应用中的比例要占所有人工神经网络应用的百分之八十以上。自前向神经网络BP算法提出以来，己在控制界和其它领域得到广泛应用。由于BP算法学习速度慢,容易陷入局部极小值,网络隐含层的

6、层数及I绦含层的单元数的选尚无理论上的指导，而是根据经验确定;同时网络的学习!记忆具有不稳定性。一个训练结束的BP网络，当给它提供新的记忆模式时,将使己有的连接权打乱，导致记忆模式的信息丢失。要避免这种现象,必须将原来的学习模式连同新加入的学习模式一起重新进行训练。针对上述各种缺陷,迄今已提出大量改进算法。1.4 模糊系统辨识综述模糊系统辨识包括两个主要过程,即结构辨识和参数辨识。前者是确定输入空间的模糊划分,包括确定规则数量,得到一个比较合理的原始系统。后者是对规则中的参数进行优化，在前者的基础上得到一个更加精确的系统。141模糊系统的结构辨识模糊系统的结构辨识主要是输入“输出空间的模糊划分

7、以及其输入”输出分区间的映射关系，特别是模糊规则数的确定问题。国内外关于模糊建模的研究更多地是集中在参数辨识上，较少考虑结构的辨识。结构精简的模糊系统模型是实际应用所需要的，合理的初始状态是参数辨识过程能够迅速有效地收敛的关键。所以可以说结构辨识是模糊建模的最核心的问题。常见的结构辨识方法有下面几不中。(1)格栅划分；(2)基于聚类算法的划分；(3)二叉回归树法；(4)模糊自适应谐振算法；1.4.1 参数优化的方法参数优化是调整规则前件!后件的参数，提高模糊系统的精度。下面是一些常见的参数优化方法。(1)误差反向传播算法(BaCkPrOPagation,BP算法)；(2)最小二乘法；(3)混合

8、学习算法；(4)遗传算法(OenetieAIgorithmS,GA)；(5)模拟退火算法(SimU1atedAnnea1ing,SA)；(6)禁忌搜索算法(儿buSearch,TS):1.4.2 模糊规则库的化简怎样从给定规则库中选取些重要的模糊规则是模糊建模中的个很重要的研究课题。“重要的模糊规则”只是个相对的概念,应该保留的模糊规则数量与用户的精度要求是密切相关的。个好的模糊系统模型,应该既能满足精度要求，又尽量的简化。给模糊规则予个标志其重要性的指标是个好的办法。在带权模糊系统中，规则权值在很大程度代表了规则的重要程度。利用ANFs1自适应调整规则权值，删去权值较小的规则达到优化的目的，

9、这是个很自然的想法。然而其缺点也是显然的。规则权值不能并直接表现规则对拟合精度的影响，并且这种方法仅能使用于规则带权模糊系统。寻找种能直接体现规则对拟合精度影响的规则重要度指标，并能应用于结构上带有更大普遍性的模糊系统,这是非常有意义的。1.5 小结木章介绍了系统辨识的基本原理和经典方法，另外分别讨论了神经网络系统辨识和模糊系统辨识。对于模糊系统建模，人们己经取得了巨大的成功。但在这一领域,无论是结构辨识阶段还是参数辨识阶段,还是在规则库化简阶段,依然存在不少问题有待于进一步研究和讨论。第二章模糊模型辨识方法的研究2.1 模糊模型辨识流程自适应神经模糊推理系统(adaptiveneura1fu

10、zzyinfere:1eesystems),简称ANFIs,是将模糊推理系统与神经网络相结合的产物”模糊推理系统广泛用于模糊控制,它巧妙地引入了“隶属度”的概念，使规则数值化，从而处理结构化的知识。神经网络一般不能处理结构化的知识，但神经网络具有自适应自学习的功能，通过对大量数据的学习，估计输入输出数据之间的映射.，并具有很强的泛化能力。ANF1S则充分利用模糊推理系统与神经网络各自的优良特性，使之在模糊控制!模式识别等领域都获得了应用,ANFIS作为种颇具特色的神经网络，同样有以任意精度逼近任何线性或非线性函数的功能，且收敛速度快、误差小!所需训练样本少，使ANFIS运用于非线性系统辨识成为

11、可能。图2-1模糊模型的辨识流程模糊模型的辨识由结构辨识和参数辨识两部分组成”其中结构辨识又分为系统输入变量的选择和输入空间的模糊划分”参数辨识又分为前提参数的辨识和结论参数的辨识。如图2-1所示2.2 模糊模型结构辨识方法与参数辨识相比，结构辨识在模糊建模中起着比较重要的作用。如果知道了系统的输入变量选择，模糊建模问题就差不多解决了。在采用许多输入变量时，设计出的模糊模型就会变得很复杂。在构造模糊模型之前，试图忽略不太重要的输入变量，然而目前还没有系统的方法从有限的候选集合中选择合适的输入。2.3 模糊模型参数辨识方法相对于结构辨识，参数辨识方法就容易和成熟多了。已有许多成熟的辨识方法，但主

12、要可以分为三大类：类是基于梯度学习的方法(如最小二乘估计法)；笫二类是用模糊神经网络进行学习；第三类是应用遗传算法进行参数辨识与优化。其中,第二类方法将是我们辨识所采用的方法。根据规则结论部分的形式不同又可分为两类：是结论部分为模糊集合的参数学习，二是结论部分为函数形式的参数学习。2.4 模糊系统辨识中的其它问题2.4.1 衡量非线性建模方法好坏的几个方面模糊系统、神经网络!模糊神经网络、分段多项式!决策树、小波级数等都是用来描述非线性关系的。怎样比较不同方法的好坏？可以基于以下四个方面来考虑。(1)逼近精度与复杂度的平衡；(2)学习算法的收敛速度；(3)结果的可解释性；(4)充分利用各种不同

13、形式的信息；基于以上四点,文献汇50的结论是:模糊神经网络除了具有自己独特的优化外,如可解释性强、可利用语言系信息,在其它方面,如逼近精度与效率、学习算法的收敛速度等,也决不亚于其它方法。2.4.2 模糊辨识算法在实际系统应用中的几个问题近十年来模糊辨识(模糊建模)方面的研究已取得了一些进展，但由于起步较晚，有许多尚待解决的问题。特别是在工程实际应用中，对于给定系统为了构造一个新的模糊模型，工程师们经常要面对下面的一些问题：(1)怎样定义隶属函数?怎样获得模糊规则库?对于给定的问题什么是最好的解模糊技术？(2)如何从众多输入变量中选择出重要的输入变量?将基于数据的模糊建模方法应用到工业上,通常

14、有许多可能的输入变量,这些变量将产生庞大的搜索空间和规则库。(3)怎样简化对模糊集合进行操作的计算量?怎样提高模型的计算精度等。实际上,昂贵的计算代价和学习时间使这些算法不能应用到实时建模与在噪声不断改变的环境中工作的控制系统中，换句话说,即实际系统。2.4.3 模糊模型的品质指标(1)模型的复杂性建立模糊模型的关键归结为如何根据系统输入输出量测值来列出一组描述系统特性的规则。显然,规则条数越少，计算y(t)的运算就越简单：反之,运算就越复杂。因此我们把规则条数作为衡量模糊模型复杂性的一个指标。(2)模型的精确性模糊模型的另一个指标是精确性,即由模型计算预测值y与输出的量测值y之差，我们取误差

15、的均方值(RNISE)O(3)模型的不确定性具有不同隶属函数的输出模糊集通过去模糊化后，可得到同样的确定性输出数据，这样就造成了模型的不确定性。显然，如果辨识模型的输出模糊集越窄，模型的确定性越好。TOng提出可采用DekICa和Termini的非可能性嫡来度量这个指标。一般来说，辨识得到的模糊模型越复杂,则模型的精度越高，不确定性指标越小。然而，这给计算上带来很多不便，如实时性，计算机的存储等方面。因此，在对模糊模型验证时，应对上述三个指标作适当的权衡。2.5 小结本章介绍了模糊模型的辨识流程和辨识方法”并详细介绍了模糊系统的结构辨识方法和参数辨识方法。此外，还简单介绍了衡量模糊系统辨识过程中建模好坏的儿个指标。第三章基于两种模型的自行车机器人系统辨识3.1 基于ARX模型的自行车机器人系统辨识基于对自行车机器人控制系统进行ARX建模研究。首先，通过选用AIC准则作为系统模型阶次的选择原则选定了系统模型阶，然后以最小二乘法来辨识了模型的全部参数，建立了自行车机器人控制系统的ARX模型”最后，通过另采样获取一组数据，对模型的有效性进行验证，通过模型的预测输出和系统实际输出的拟合效果,验证了模型的有效性。3.2 基于ANF1s模糊神经网络的自行车机器人系统辨识基于ANF1s模糊神经网络的自行车机器