文档介绍：非线性时变系统的时变高阶神经网络建模浙江工业大学硕士学位论文作者姓名:孙明轩教授浙江工业大学信息工程学院年邓文彬指导教师:
;馧晟焕雎纑莨兰“篤%“
作者虢及及鹚日期:硎年于月才日日期:劢笆驴厂——一导师签名:/如扔例学位论文版权使用授权书日期:≯步,/年碌笤浙江工业大学学位论文原创性声明⒉槐C芘⒈C芸冢凇!D杲饷芎笫视帽臼谌ㄊ椤本人郑重声明:所提交的学位论文是本人在导师的指导下,独立进行研究工作所取得的研究成果。除文中已经加以标注引用的内容外,本论文不包含其他个人或集体己经发表或撰写过的研究成果,也不含为获得浙江工业大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体,均己在文中以明确方式标明。本人承担本声明的法律责任。本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权浙江工业大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于朐谝陨舷嘤Ψ娇蚰诖颉薄獭
非线性时变系统的时变高阶神经网络建模摘要非线性时变系统因其复杂的动态特性而难以建模。神经网络是一个黑箱模型,它作为一个强大的函数逼近工具,被广泛应用于非线性系统的建模。然而,常规的神经网络和当前普遍采用的辨识算法能力有限,在辨识复杂非线性时变系统时精度受到限制,特别是在训练数据受到噪声影响后,辨识算法很难保证精确跟踪。迭代学习辨识是从迭代控制理论中发展出来一种辨识方法,它在每个采样时间点对系统的映射关系进行重复学习,能够完成系统参数的完全辨识任务,因此适合强非线性时变系统的高精度建模。本文在引入时变高阶神经网络的基础上,讨论了非线性时变系统的迭代学习辨识方法和策略。主要工作包括以下几个方面:诔9婢断蚧缁∩希捎眉蹙劾嗨惴ㄈ范ㄍ绲囊闵窬J目,构建一种时变高阶径向基函数神经网络。推导了一种带死区的迭代学习算法来训练该网络。在已知建模精度或误差噪声上限的情况下,算法能使每个时间点的跟踪误差收敛在以零点为中心的某个单位圆内。通过为相同系统建模,对比了定常径向基函数网络和时变高阶基函数神经网络的建模能力,说明了时变高阶神经网络在高精度建模上的有效性。悸堑骄断蚧窬绻菇ǖ谋媸赌P鸵闵窬J拷隙啵胍恢时变高阶神经网络为非线性时变系统建模,采用带死区的迭代最小二乘学习算法,为一个复杂的非线性时变系统建模。高阶网络隐层神经元存在”维数爆炸”的缺陷,利用正交最小二乘算法可选择出有效回归项,减少辨识所用隐层神经元的数目。最后,将引入时间因子￡的定常神经网络和时变网络作了建模性能对比。把盗匪惴ḿ扑愀丛佣冉洗螅业把盗饭讨校占葑成的信息阵容易存在病态情形,提出一种以变换正为基础的交迭代学习最小二乘训练算法,该算法计算效率较高,数值性能较好。同时,提出了利用周期时变神经网络为周期性系统建模。最后,给出了迭代学习训练算法的在线和离线学习策略。数值仿真说明了迭代学习算法两种训练策略的有效性。浙江工业大学硕士学位论文
———————樽贡谯欺詈茎旱:一竺变高阶神经网络,迭代学习,非线性时变系统,系统辨识,正交迭代学习最小二乘⋯⋯~一~“一—
..、,·,琽—呵—遡瓸甌鎛裡甤猯—.琣瑆瑃.;行痮厅.“甇盿,—甇芒仃—,
゛—”.印鴐..閏—莍瑂..保瑆,甪—猵,琲,弧縤—,,——.
录目绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第一章第二章课题的研究背景与意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.基于神经网络的系统辨识研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..迭代学习辨识的研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..本文的研究内容和章节安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..神经网络与系统辨识⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.常规神经网络⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.高阶神经网络⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⒏呓咨窬纭神经计算方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..《怂惴ā神经网络辨识⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第三章时变高阶窬绫媸丁引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯定常窬绫媸赌P汀浙江工业大学硕士学位论文一●
引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯致洹时变高阶窬绫