基于RBPNN的随机系统辨识与神经网络集成方法研究

本资源主要探讨了SolidWorks Flow Simulation中的样本集获取以及基于径向基概率神经网络的随机系统辨识方法。在系统辨识过程中，径向基概率神经网络（RBP神经网络）被用于处理受到噪声干扰的随机系统，通过将系统辨识问题转化为模式识别问题，利用神经网络的强大功能来描述系统模型。 首先，数据采集是关键步骤，通常假设系统的输入在外部随机干扰下服从F分布。数据可以通过在线采集或离线模拟的方式获取，得到一组包含输入输出对的样本集Q。为了减少网络构建的复杂性，特别是对于复杂且随机的系统，样本集的压缩至关重要。常用的方法包括选择典型样本的类内散度函数、主成分分析（PCA）、正交迭代法和学习子空间法，这些方法旨在从大量样本中挑选代表性样本作为神经网络隐单元的中心。 其中，基于散度函数的典型模板样本选择方法通过迭代选取能最好反映每个模式数据概率分布的样本。通过对每类模式中的M个模板样本进行分析，通过Parzen窗密度估计选出最具有代表性的c个样本，这些样本能够有效反映整个模式的概率分布。 在模型构建阶段，系统误差空间被划分为不同的模式，使得神经网络可以模拟出系统输出在不同误差模式下的概率分布，提供更为直观和实用的辨识结果。此外，神经网络的快速构建特性使其成为在线辨识随机系统的一种可行策略。 在系统参数辨识方面，文章引入了完备状态点的概念，提出了一种新的神经网络集成方法。这种方法将参数辨识与系统类型识别结合起来，既保持了神经网络集成辨识的精度和泛化能力，又降低了对测试信息的依赖，简化了参数识别过程。 本研究利用神经网络的强大功能，特别是在模式识别和系统辨识领域的应用，为处理噪声干扰的随机系统提供了一种有效且实用的辨识策略，展示了神经网络在复杂工程问题中的潜力和优势。