系統(tǒng)辨識(shí)綜述ppt

非線性系統(tǒng)辨識(shí)張培碩研4班系統(tǒng)辨識(shí)基本問題：如何通過運(yùn)行(或?qū)嶒?yàn))數(shù)據(jù)來建立控制與處理對(duì)象(或?qū)嶒?yàn)對(duì)象)的數(shù)學(xué)模型。系統(tǒng)的動(dòng)態(tài)特性被認(rèn)為必然表現(xiàn)在它變化著的輸入/輸出數(shù)據(jù)之中，辨識(shí)就是利用數(shù)學(xué)方法從數(shù)據(jù)序列中提煉出系統(tǒng)的數(shù)學(xué)模型。當(dāng)前常用辨識(shí)算法的基本方法：通過建立系統(tǒng)的參數(shù)模型，把辨識(shí)問題轉(zhuǎn)化為參數(shù)估計(jì)問題。這類算法能較好地解決線性系統(tǒng)或本質(zhì)線性系統(tǒng)的辨識(shí)問題，但若要應(yīng)用于本質(zhì)非線性系統(tǒng)則比較困難?？墒牵鎸?shí)世界中的模型都不是嚴(yán)格線性的，它們或多或少都表現(xiàn)出非線性特性常用的非線性系統(tǒng)描述方法有微分(或差分)法、泛函級(jí)數(shù)法、NARMAX模型法及分塊系統(tǒng)法等。新的非線性系統(tǒng)的辨識(shí)方法：多層遞階辨識(shí)方法，

以及把神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法等知識(shí)應(yīng)用于非線性系統(tǒng)辨識(shí)而得到的一些新型辨識(shí)方法基于多層遞階方法的非線性系統(tǒng)辨識(shí)以時(shí)變參數(shù)模型的辨識(shí)方法為基礎(chǔ)基本思想：在輸入輸出等價(jià)的意義下，把一大類非線性模型化成多層線性模型，

為非線性系統(tǒng)的建模提供了一條有效的途徑。非線性模型結(jié)構(gòu)的確定是系統(tǒng)辨識(shí)中的一個(gè)困難問題，多層遞階辨識(shí)方法可以借助于層數(shù)的增加，用多層的線性模型來描述所考慮的系統(tǒng)，并且將預(yù)報(bào)模型分成兩部分，分別為基本結(jié)構(gòu)部分和時(shí)變參數(shù)部分，然后基于模型等價(jià)的原理，依次對(duì)每層模型的時(shí)變參數(shù)進(jìn)行建模，直到參數(shù)為非時(shí)變?yōu)橹埂ｏ@著的特點(diǎn)：采用時(shí)變參數(shù)，能夠?qū)陀^實(shí)際進(jìn)行精確擬合，準(zhǔn)確地反映波動(dòng)特性?；谏窠?jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)神經(jīng)網(wǎng)絡(luò)對(duì)非線性系統(tǒng)辨識(shí)的主要吸引力在于：1、多層前饋神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近非線性映射，給復(fù)雜系統(tǒng)的建模帶來了新途徑;2、特有的學(xué)習(xí)能力使其能適應(yīng)系統(tǒng)或環(huán)境的變化;3、并行計(jì)算特點(diǎn)，使其有潛力快速實(shí)現(xiàn)大量復(fù)雜的運(yùn)算;分布式信息存儲(chǔ)與處理結(jié)構(gòu)，使其具有容錯(cuò)性；4、多輸入多輸出結(jié)構(gòu)可方便的進(jìn)行多變量系統(tǒng)的辨識(shí)與控制。因此，神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)辨識(shí)中的應(yīng)用具有很重要的研究價(jià)值和廣泛的應(yīng)用前景。利用神經(jīng)網(wǎng)絡(luò)對(duì)非線性系統(tǒng)進(jìn)行辨識(shí)分為網(wǎng)絡(luò)結(jié)構(gòu)確定和網(wǎng)絡(luò)權(quán)系值的訓(xùn)練兩個(gè)過程。最近十年來興起的小波網(wǎng)絡(luò)是在小波分解的基礎(chǔ)上提出的一種前饋神經(jīng)網(wǎng)絡(luò)。優(yōu)點(diǎn)：小波網(wǎng)絡(luò)優(yōu)良的函數(shù)逼近能力和神經(jīng)網(wǎng)絡(luò)辨識(shí)；

小波分析在理論上保證了小波網(wǎng)絡(luò)在非線性函數(shù)逼近中所具有的快速

性、準(zhǔn)確性和全局收斂性等?；谀：壿嫷姆蔷€性系統(tǒng)辨識(shí)模糊邏輯系統(tǒng)特性：可以在任意精度上一致逼近任何定義在一個(gè)致密集上優(yōu)越性：能有效的辨識(shí)復(fù)雜和病態(tài)結(jié)構(gòu)的系統(tǒng)；

能夠有效的辨識(shí)具有大時(shí)延、時(shí)變、多輸入單輸出的非線性系統(tǒng)；

可以辨識(shí)性能優(yōu)越的人類控制器；

可得到被控對(duì)象的定性與定量相結(jié)合的模型，因而深受廣大學(xué)者的青睞。模糊模型辨識(shí)分為結(jié)構(gòu)辨識(shí)和參數(shù)辨識(shí)兩部分。典型的模糊結(jié)構(gòu)辨識(shí)方法有:模糊網(wǎng)格法、自適應(yīng)模糊網(wǎng)格法、模糊聚類法及模糊搜索樹法等。

其中，模糊聚類法是目前最常用的模糊系統(tǒng)結(jié)構(gòu)辨識(shí)方法，

其中心問題是設(shè)定合理的聚類指標(biāo)，根據(jù)該指標(biāo)所確定的聚類中心可使模糊輸入空間劃分最優(yōu)。在結(jié)構(gòu)辨識(shí)或輸入變量已確定的情況下，常用的模糊參數(shù)辨識(shí)方法有：基于模糊關(guān)系方程的辨識(shí)方法、基于模糊隱含規(guī)則的辨識(shí)方法、基于模糊神經(jīng)元網(wǎng)絡(luò)的辨識(shí)方法、復(fù)雜系統(tǒng)辨識(shí)方法等。基于遺傳算法的非線性系統(tǒng)辨識(shí)遺傳算法基本思想是基于進(jìn)化論。特點(diǎn)：不依賴于問題模型本身的特性；

以及不容易陷入局部最優(yōu)和隱含并行性；

能夠快速有效的搜索復(fù)雜、高度非線性和多維空間。

為非線性系統(tǒng)辨識(shí)的研究與應(yīng)用開辟一條新途徑目前，

研究的趨勢(shì)一是將模糊、神經(jīng)、遺傳算法等相結(jié)合產(chǎn)生融合的非線性系統(tǒng)辨識(shí)方法，例如通過并行遺傳算法實(shí)現(xiàn)對(duì)RBF神經(jīng)網(wǎng)絡(luò)權(quán)值，寬度和中心位置等有關(guān)參數(shù)的估計(jì)，其特點(diǎn)是速度快、精度高；二是將傳統(tǒng)的辨識(shí)方法與軟計(jì)算方法相結(jié)合而產(chǎn)生的新型非線性系統(tǒng)辨識(shí)方法，如將把模糊控制的思想引入時(shí)變