Matlab神经网络工具箱在系统辨识中的应用

Matlab神经网络工具箱在系统辨识中的应用

　液　压　气　动　与　密　封　　　　　　　　　　　　　2001年第5期34　　　　　　　　　　　　　　　　　　

Matlab神经网络工具箱在系统辨识中的应用

高英杰　王海芳　董国江　张晓丽

　　摘　要　介绍了MATLAB环境下的神经网络工具箱实用方法,着重介绍了在系统辨识的应用,以RBF网络为例介绍了网络的初始化,训练和仿真函数,给出了网络结构的设计和辨识结果的输出。

关键词　MATLAB　神经网络　RBF网络　

辨识

引　言

近年来,基于神经网络(ANN)的系统辨识方法作为一个新兴领域,引起了控制工作者的广泛关注[1～3],神经网络之所以能引起控制工作者的兴

趣,在于1)神经网络具有逼近任何非线性函数的能力;2)神经网络由简单单元采取并行结构组成的特点,使其易于用并行特征的VLSI实现,网络具有快速和高容错性的优点;3,统的辨识和控制,;4),它主要是根据所提供的数据,通过学习和训练,找出和输出之间的内在联系,从而求得问题的解答,而不是依靠对问题的先验知识和规则,因而它具有很好的适应性,神经网络的实现目前最常用的方法是软件模拟,由于这需要掌握计算机编程语言和较高的编程技巧,因此不利于神经网络技术的应用,因此,国内外许多公司和研究单位设计了通用的ANN模型库,MAT2LAB的神经网络工具箱就是其中的优秀代表。1　神经网络辨识

L.A.Zadch曾给辨识下过定义[4]:“辨识就是

实值,可以用中心位于的径向对称的基函数的加权

和来逼近,即:其中一般取为Gauss函数,为加权系数,RBF:用聚类算值～10],函数逼近等功能。同,RBF网络可以以任意的精度逼近任。Girosi和Poggio特别指出用RBF网络来逼近非线性连续函数具有最佳逼近(BestApproximation)性质[7]。

　　RBF网络是一种性能良好的前向网络。它不仅有全局逼近性质,而且具有最佳逼近性能。RBF网络结构上具有输出2权值线性关系,同时训练方法快速易行,不存在局部最优问题[11]。这些优点给RBF网络的应用奠定了良好的基础。

径向基函数网络包括两层:隐层(radbas层,含

在输入和输出数据的基础上,从一组给定的模型中确定一个与所测系统等价的模型。”在实际中,不可能找到一个与实际系统完全等价的模型,因此从更实际的观点来看,辨识就是从一组模型中选择一个模型,按照某种准则,使之能很好的模拟我们所关心实际系统的动态或静态特性[5]。本文对某一实际系统应用RBF网络进行系统辨识,模拟其输出曲线。

RBF网络是一种3层前向神经网络,把径向基

图1　RBF神经网络结构图

函数插值的技术用神经网络结构来实现。图1是这种网络的结构图。它的输出层神经元采用线性单元,隐含层神经元采用Gauss函数,输出层神经元的输出为隐含层输出的加权和。径向基函数网络算法描述为:给定一个n维空间的点集及每个点对应的

图2　径向网络结构图