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 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。
2018-03-24 上传
225 浏览量
2023-09-09 上传
2023-12-03 上传
2023-09-10 上传
2023-09-25 上传
2024-10-31 上传
2024-10-26 上传
Yu-Demon321
- 粉丝: 23
- 资源: 3959
最新资源
- 全国江河水系图层shp文件包下载
- 点云二值化测试数据集的详细解读
- JDiskCat:跨平台开源磁盘目录工具
- 加密FS模块:实现动态文件加密的Node.js包
- 宠物小精灵记忆配对游戏:强化你的命名记忆
- React入门教程:创建React应用与脚本使用指南
- Linux和Unix文件标记解决方案:贝岭的matlab代码
- Unity射击游戏UI套件:支持C#与多种屏幕布局
- MapboxGL Draw自定义模式:高效切割多边形方法
- C语言课程设计:计算机程序编辑语言的应用与优势
- 吴恩达课程手写实现Python优化器和网络模型
- PFT_2019项目:ft_printf测试器的新版测试规范
- MySQL数据库备份Shell脚本使用指南
- Ohbug扩展实现屏幕录像功能
- Ember CLI 插件:ember-cli-i18n-lazy-lookup 实现高效国际化
- Wireshark网络调试工具:中文支持的网口发包与分析