正交最小二乘法在2RBF网络辨识中的应用
"《2RBF网络的辨识——altium_designer6.9经典教程》主要探讨了径向基函数(RBF)网络的辨识方法,这是一种在非线性系统识别中广泛应用的技术。RBF网络的辨识核心在于确定中心点(ci)和权值λi,这些参数决定了网络的结构和预测能力。 初始的研究中,中心点可能随意选取,这可能导致模型性能不佳或者维度过高,甚至出现数据病态,如近似线性相关。为改善这种情况,聚类方法被广泛采用,通过聚类分析找到样本点的聚类中心作为中心点候选,然后使用最小二乘法估计参数。然而,这种方法并未直接考虑拟合精度,导致选择的中心点可能并不理想。 Chen S等人提出了正交最小二乘法,这种方法解决了数据病态问题,它假设有一系列样本{y(k), x(k)},通过从输入样本中选择中心点,并将RBF网络模型视为线性回归模型的特殊情况。目标是找到能有效描述系统的少数关键回归项,正交最小二乘法在此方面有所贡献。这种方法通过最小化残差,寻找最优的参数组合,确保模型的精度。 正交最小二乘法的具体步骤涉及对每个样本k应用RBF函数得到回归项pi(k),然后将其转换为线性回归形式(11.21),其中回归项的选择就是辨识的关键。由于候选中心点众多,通常需要筛选出对模型有决定性影响的项,正交性有助于减少冗余项并提高模型效率。 该教程作为高等学校自动化专业的教材,涵盖了系统建模与辨识的广泛内容,不仅限于RBF网络,还包括线性系统、多变量系统、非线性系统、时间序列建模、房室模型(在医学和生物工程中常见)、神经网络模型以及模糊系统和遗传算法等。每种方法都配有详细的操作步骤和实例,旨在帮助读者理解和实践各种建模技术。 学习和掌握RBF网络的辨识不仅是对非线性系统建模能力的提升,也是理解其他多元系统建模方法的重要基础。通过深入理解正交最小二乘法,可以有效地优化模型,提高系统的辨识精度和稳定性。"
- 粉丝: 23
- 资源: 4029
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展