人工神经网络在系统辨识中的应用研究

"1人工神经网络的发展及现状-solidworks flow simulation分析功能" 人工神经网络(ANN)作为一门跨学科的研究领域，起源于20世纪40年代。从心理学家W.S. MeCulloch和W. Pitts提出的第一个神经计算模型，到1949年心理学家D.O. Hebb提出的Hebb学习规则，再到F. Rosenblatt的感知器模型，人工神经网络经历了起伏的发展历程。在人工智能学者M. Minsky和S. Papert的《感知器》一书的影响下，神经网络研究曾陷入低潮，直到80年代，由于人工智能领域的挫折，神经网络重新引起了广泛关注。 1982年，Hopfield提出的Hopfield网络模型开启了神经网络在联想记忆和优化计算中的应用，而1986年Rumelhart和J.L. McClelland的Back Propagation算法（BP算法）的提出，极大地推动了神经网络的发展，特别是在多层网络训练中的应用。此外，R. Hecht-Nielsen的对向传播神经网络、Chur和Yang的细胞神经网络模型以及Edelman的Darwirdsm模型等，都对神经网络理论和技术的进步产生了深远影响。 神经网络的这些进展使得它在诸如认知科学、神经科学、计算机科学、物理科学及工程应用等多个领域得以广泛应用。特别是在系统辨识领域，神经网络因其并行处理能力、自我学习和适应能力以及对非线性函数的高度拟合能力，成为了强大的工具。 本文主要关注神经网络在系统辨识中的应用，尤其是在模式识别和系统模型参数辨识方面。对于受到噪声干扰的随机系统，通过将系统辨识问题转化为模式识别问题，建立相应的神经网络模型来描述系统输出的概率分布，提高了辨识结果的直观性和实用性。此外，还提出了一种新的神经网络集成方法，结合完备状态点的概念，将系统类型和参数辨识结合起来，降低了对测试信息的需求，同时保持了高精度和泛化能力。 关键词：人工神经网络，系统辨识，模式识别，神经网络集成，参数辨识 这一研究不仅回顾了人工神经网络的发展历程，还展示了其在实际问题中的应用，特别是在应对噪声干扰的系统辨识中的创新方法，为神经网络在工程实践中的应用提供了理论支持和解决方案。