支持向量回归与RBF神经网络在非线性系统辨识中的应用

"这篇论文是2010年10月发表在北京航空航天大学学报上的，作者探讨了非线性系统的结构选择和参数的集员辨识方法，主要基于支持向量回归（Support Vector Regression, SVM）和径向基函数（Radial Basis Function, RBF）神经网络。在处理带有未知但有界噪声的非线性系统时，论文提出了新的辨识策略。" 在非线性系统的研究中，辨识问题是一项关键任务，尤其是在存在噪声的情况下。论文中提到的支持向量回归是一种监督学习方法，它在机器学习领域中用于预测建模，特别适用于处理小样本和高维数据。RBF神经网络则是一种多层前馈网络，以其径向基函数（如高斯函数）作为隐藏层的激活函数，能有效地近似非线性函数。 论文推导了噪声界与支持向量个数以及ε-不敏感参数之间的关系，这对于选择合适的ε参数至关重要。ε-不敏感损失函数是SVM中的一个关键概念，它使得模型对小误差不那么敏感，有助于提高模型的泛化能力。论文提供了一种利用噪声界来确定ε参数的方法，这有助于优化模型性能。 此外，论文还描述了如何通过支持向量回归来决定RBF神经网络的规模。支持向量被用作构建RBF网络的径向基函数中心，这种方法可以确保网络结构与数据特性更好地匹配。同时，论文采用了改进的OBE（Optimal Bounding Ellipsoid）算法来识别RBF神经网络的权重。OBE算法是一种用于估计系统参数的有效方法，尤其在处理有界噪声数据时，能够得到与输入输出数据和噪声界一致的网络参数。 最后，通过仿真算例，论文验证了所提算法在解决非线性系统参数辨识问题上的有效性。这种方法对于理解和改善非线性系统的建模与控制具有重要意义，特别是在实际工程应用中，能够应对复杂环境下的不确定性。 关键词涵盖了非线性系统、有界噪声处理、参数估计、集员辨识和RBF神经网络，这些都是该研究领域的核心概念和技术。中图分类号和文献标识码则分别指出了论文所属的学科领域和技术性质。