基于神经网络的随机系统辨识与参数集成方法研究
需积分: 44 66 浏览量
更新于2024-08-10
收藏 2.01MB PDF 举报
本文主要探讨了个体网络训练误差收敛曲线在SolidWorks Flow Simulation中的应用,尤其是在基于神经网络集成的系统参数辨识领域。研究采用了三层前馈神经网络结构,包括一个输入层、两个隐藏层(使用S型传递函数)和一个输出层(线性传递)。实验设置的初始网络规模为[5 10 3],包含六个个体网络,每个网络结构为[5 10 1]。
在训练过程中,通过对比图5.4和图5.5的误差收敛曲线,可以观察到两个网络的不同表现。图5.4的网络在训练100次后的误差最小值为100,而图5.5则达到104。进一步的训练至1000次后,五输入单输出子网络的逼近误差达到数量级【10-1,101】,明显优于三输入三输出的初始网络,后者误差量级为【10-12,104】。这表明神经网络的精度优势在复杂系统辨识中体现出来,且训练过程中的精度提升较为容易实现。
本文的研究利用MATLAB/SIMULINK平台和神经网络工具箱进行数字仿真,以5秒为仿真时间。在参数辨识的收敛过程中,如图5.6所示,对某个特定样本点,网络能够迅速收敛至平衡点,第一幅图显示了初期阶段的快速收敛,而第二幅图则展示了反向过程中的更精细变化。最后,各参数的百分误差达到了数量级【10.2,10.0】,显示出较高的辨识精度。
针对输入输出受噪声干扰的随机系统,研究者将系统辨识问题转化为模式识别问题,通过系统误差空间的划分,提出了一种新的系统模型描述方法,并构建了相应的神经网络辨识模型。这种方法利用了已知干扰的概率信息,能够模拟出系统输出的概率分布,提高辨识结果的实用性和直观性。此外,对于系统参数辨识,文中介绍了一种基于完备状态点的神经网络集成方法,它将系统识别和参数估计结合起来,既保持了高精度和泛化能力,又降低了对测试信息的依赖性,为随机系统在线辨识提供了有效的解决方案。
关键词:人工神经网络、系统辨识、模式识别、神经网络集成、参数辨识。这些关键词突出了本文的核心研究内容和方法,展示了神经网络在复杂系统识别中的重要作用。总体上,文章深入研究了神经网络在实际工程中的应用,尤其是其在系统参数辨识领域的创新策略和技术。
2018-03-24 上传
223 浏览量
2024-10-25 上传
2024-10-25 上传
史东来
- 粉丝: 42
- 资源: 4027
最新资源
- ES管理利器:ES Head工具详解
- Layui前端UI框架压缩包:轻量级的Web界面构建利器
- WPF 字体布局问题解决方法与应用案例
- 响应式网页布局教程:CSS实现全平台适配
- Windows平台Elasticsearch 8.10.2版发布
- ICEY开源小程序:定时显示极限值提醒
- MATLAB条形图绘制指南:从入门到进阶技巧全解析
- WPF实现任务管理器进程分组逻辑教程解析
- C#编程实现显卡硬件信息的获取方法
- 前端世界核心-HTML+CSS+JS团队服务网页模板开发
- 精选SQL面试题大汇总
- Nacos Server 1.2.1在Linux系统的安装包介绍
- 易语言MySQL支持库3.0#0版全新升级与使用指南
- 快乐足球响应式网页模板:前端开发全技能秘籍
- OpenEuler4.19内核发布:国产操作系统的里程碑
- Boyue Zheng的LeetCode Python解答集