基于RBPNN的随机系统辨识与神经网络模型

"这篇硕士论文主要探讨了神经网络在系统辨识中的应用，提出了新的模型辨识和参数辨识方法。研究重点是将系统辨识问题转化为模式识别问题，通过误差空间的离散化和模式转换，利用RBPNN（反向传播神经网络）建立辨识模型，尤其适用于处理受噪声干扰的随机系统。此外，文中还介绍了一种基于完备状态点的神经网络集成方法，以提高辨识精度和泛化能力，减少所需测试信息。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。" 正文: 这篇硕士论文深入研究了如何利用神经网络，特别是反向传播神经网络(RBPNN)进行系统辨识。系统辨识是理解和预测复杂系统行为的关键技术，而在现实世界中，许多系统都受到各种不确定性和随机性因素的影响。论文特别关注了输入输出受到噪声干扰的随机系统。 3.3章节中，作者提出了待识别系统的统一描述方法。系统被假设为非时滞系统，输入由多个变量组成，输出则是一个多维空间。系统的目标是在一定时间范围内，通过控制输入变量来维持输出在理想值附近。然而，由于外部干扰，实际输出会有随机性。因此，准确估计输出的可能分布对于系统的可靠性和可控性评估至关重要。 为了有效地使用RBPNN进行系统辨识，论文首先进行了误差空间的离散化。这一步骤将系统输出的可能值范围划分为多个子区间，每个子区间代表一种特定的误差模式。例如，较大的负偏差、较小的负偏差、轻微偏差和较小的正偏差等。通过这种离散化，系统辨识的问题转变为误差模式识别问题，每次输出都对应一个二进制向量，表示它属于哪个误差模式。 接下来，论文介绍了误差模式转换的过程。通过将每个误差模式与一个0或1的值关联，可以构建一个模式转换矩阵。这使得神经网络能够更方便地学习和模拟系统的输出概率分布，从而提供更直观和实用的辨识结果。这种方法的优势在于，它能够快速响应系统的变化，适用于在线辨识随机系统。 除了误差模式识别，论文还提到了一种新的神经网络集成方法，该方法基于完备状态点概念。这种方法将系统类型和参数辨识结合起来，提高了辨识的精度和泛化能力，同时减少了对识别系统所需测试信息的依赖。通过这种方式，神经网络可以更有效地学习和适应系统的行为。 这篇论文通过神经网络技术为随机系统的辨识提供了创新的解决方案，不仅优化了模型构建和辨识过程，还增强了系统辨识的实用性和效率。这些研究成果对于理解和控制复杂、随机的工程系统具有重要的理论和实践意义。