神经网络在系统辨识中的应用：误差模式与概率分布

"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。