神经网络在系统辨识中的应用:误差模式与概率分布

需积分: 44 23 下载量 11 浏览量 更新于2024-08-10 收藏 2.01MB PDF 举报
"基于神经网络的系统辨识方法研究" 这篇硕士论文主要探讨了神经网络在系统辨识领域的应用,特别是如何利用神经网络处理输入输出受到噪声干扰的随机系统。论文提出了新的系统模型辨识和参数辨识方法,旨在提高辨识结果的准确性和实用性。 在系统输入输出误差信号对比图部分,论文描述了一个具体的误差空间,即气(_j})∈[ -0.1436, 0.16031] 和 巳(_j})∈[-0.2415, 0.2871]。这个区间被划分为5种误差模式,通过在每个区间内插入4个点来进一步细分。这些误差模式随后被转换成0,1向量形式,以便于神经网络处理。论文构建了5个HMM(隐马尔科夫模型)网络模型,每个模型有6层,每层包含5个神经元,概率转移矩阵为5×5维。这样的网络设计允许神经网络模拟系统输出的概率分布,以应对输入误差模式的变化。 在系统辨识方面,论文提出了一种将系统辨识问题转化为模式识别问题的方法。通过划分误差空间,可以将系统辨识问题转化为对不同误差模式的识别。这种方法利用了已知的干扰概率信息,能够更直观地展示系统输出的概率分布,从而得到更具实际意义的辨识结果。此外,由于辨识模型构建快速,这种方法也适用于随机系统的在线辨识。 在系统参数辨识上,论文引入了完备状态点的概念,提出了一种神经网络集成的新方法。这种方法将系统类型识别和参数识别相结合,能够在保证辨识精度和泛化能力的同时,减少对识别系统所需测试信息的需求。这种集成方法降低了对测试数据的依赖,使得辨识过程更为高效。 关键词包括人工神经网络、系统辨识、模式识别、神经网络集成和参数辨识,这表明论文深入研究了神经网络在这些关键领域的应用,并提供了创新性的解决方案。 这篇论文通过神经网络技术和模式识别理论,为解决实际系统辨识中的噪声干扰问题提供了新思路,同时也为随机系统的在线辨识提供了有效工具。