基于混合神经网络的非线性动态系统建模

摘要

为了弥补单一的神经网络在非线性动态系统建模和应用中表现出来的易陷入局部最小值、训练时间长、校验精度低、泛化能力差等缺点和不足，更好地发挥神经网络在系统辨识中表现出来的高度非线性、自组织、自适应、自学习等特性，本文提出了B样条网络与对角递归神经网络相结合的混合神经网络拓扑结构。其中，B样条网络负责系统中的非线性映射部分；线性对角递归网络则主要反映系统的动态特征。 作者将CSTR模型和聚酯生产过程作为仿真对象，分别采用最小二乘学习方法和RPE学习方法，利用串联和并联的混合网络对仿真对象的建模进行实验。仿真实验的结果表明：采用最小二乘学习方法的混合神经网络能够以较高的精度和较快的速度为输出可测的非线性动态系统建模；而利用RPE学习方法则可以为输出不可测的复杂的非线性动态系统建立精度较高的模型。实验结果还证明了混合神经网络能够降低单个网络的训练难度，改善采用单一神经网络建模过程中存在的精度不高以及训练时间长等不足，同时为非线性系统控制策略的求解提供方便。 针对神经网络“黑箱”性体现出的不能充分利用系统已知因素的缺点，作者进行了神经网络“白盒化、透明化”研究，提出了结构逼近式混合神经网络的拓扑结构，使得混合网络的结构能够与现实系统变量相对应，赋予网络单元物理意义，充分利用系统内部已知因素为系统建立精确模型。 作者将CSTR模型作为结构逼近式混合网络的仿真对象，采用最小二乘学习方法对结构式网络进行训练，为仿真对象建模。作者使用并联混合网络和结构逼近式混合网络分别为浓度不可测的CSTR仿真对象进行建模，并对仿真结果进行了比较，实验结果表明利用结构逼近式混合网络能够以较高的精度为部分状态可测的非线性动态系统建模。从而肯定了结构逼近式混合网络在充分利用系统已知的内部因素方面体现出来的优势。

目录

文摘

英文文摘

北京化工大学位论文原创性声及关于论文使用授权的说明

第一章绪论

第二章B样条网络及对角递归网络基础理论

第三章非线性动态系统及其系统辨识

第四章基于最小二乘算法的输出可测系统混合网络建模

第五章基于RPE算法的混合网络对聚酯粘度的预测

第六章结构逼近式混合网络建模

第七章结束语

参考文献

致谢

研究成果及发表的学术论文

作者及导师简介