基于神经网络模型的最新系统辨识算法
神经网络在系统辨识中的应用
神经网络在系统辨识中的应用摘要应用于自动控制系统的神经网络算法很多，特点不一，对于非线性系统辨识的研究有一定影响。
本文就BP网络算法进行了着重介绍，并点明了其收敛较慢等缺点，进而给出了改进算法，说明了建立在BP算法基础上的其他算法用于非线性系统辨识的可行性与有效性。
关键词神经网络BP算法；辨识；非线性系统前言神经网络是一门新兴的多学科研究领域，它是在对人脑的探索中形成的。
神经网络在系统建模、辨识与控制中的应用，大致以1985年Rumelhart的突破性研究为界。
在极短的时间内，神经网络就以其独特的非传统表达方式和固有的学习能力，引起了控制界的普遍重视，并取得了一系列重要结果。
本文以神经网络在系统辨识中的应用作一综述，而后着重介绍BP网络算法，并给出了若干改进的BP算法。
通过比较，说明改进算法具有诸多优点及用于非线性系统辨识[1]的可行性与有效性。
1 神经网絡用于系统辨识的原理及现状神经网络在自动控制系统中的应用已有多年。
目前，利用神经网络建立动态系统的输入/输出模型的理论及技术，在许多具体领域的应用得到成功，如化工过程、水轮机、机器入手臂、涡轮柴油发动机等。
运用神经网络的建模适用于相当于非线性特性的复杂系统[2]。
目前系统辨识中用得最多的是多层前馈神经网络[1]。
我们知道，自动控制系统中，一个单隐层或双隐层的具有任意数目神经元的神经网络，可以产生逼近任意函数的输入/输出映射。
但网络的输入节点数目及种类（延迟输入和输出）、隐层节点的个数以及训练所用的算法对辨识精度和收敛时间均有影响。
一般根据系统阶数取延迟输入信号，根据经验确定隐层节点数，然后对若干个神经网络进行比较，确定网络中神经元的合理数目。
现在用得较多的多层前馈神经网络的学习算法是反向传播算法（Back Propagation），即BP算法。
但BP算法收敛速度较慢，后面将会进一步讨论。
1.1 神经网络的结构感知器是最简单的前馈网络，它主要用于模式分类。
基于前向神经网络的非线性时变系统辨识改进EKF算法
人 ： 经 网络在 非线 性 系 统辨 识 问题 中得 以广 泛 ［神 应 用 』 近年来 的研 究 工 作 还 从 非 线 性 定 常 系 统 辨 识 ， 推 广到更 有～ 般性 的非 线 性 时 变 系统 问题 ＿ 。该 类 方 ２
型 （ Ａ ＭＡ） 用 扩 展 卡 尔 曼 滤 波 算 法 跟 踪模 型 参 数 Ｎ Ｒ 使
骤对 辨识 算法 的计 算精 度 和计 算 量 都 有 至关 重 要 的 影 响 。其 中 Ｂ Ｐ算 法 已经 证 明存 在 收敛 速度 慢 和 局 部 极小 点 等问题 。 而扩展 卡 尔曼 滤 波 学 习算 法 无 需对
１ 系统 描 述 与 神 经 网 络 模 型
离散 的非 线性 时 变系统 可 描述 为 ：
Ｙｋ （ ）＝ｆ Ｙ ｋ一１ ， ， （ （（ ） … Ｙ ｋ—ｎ ） Ｕ ｋ ， 、 ， （ ）
Ｕ ｋ—１ ， ， （ （ ） … Ｕ ｋ—ｎ ） ０ ｋ ）＋ｌ ｋ ；（ ） ， ） （ （） １
学 习速率 和势 态项 系数 进 行猜 测 ， 收敛 速 度快 、 且 精度
高 。然而 这类 算 法 由于 维 数 过 高 且 需 矩 阵 求 逆 ， 限制
计 值可 能偏 离 真 值 较 远 就 无 法 更 新 了 ， 者 对 于 时 变 或 结构 来说 ， 导 致 参 数 估 计 值 不 能 跟 踪 时变 参 数 的 变 将
化 。本 文深 人分 析 了传统 扩 展 卡 尔曼 滤 波算 法 的递 推
利 用优化 方 法 调 整 网 络权 值 ， 新 网络 拟 合 的模 型 与 使
摘 要 ： 为了克服 传统扩展卡尔曼滤波算法进行参数估计时可能产 生的新数 据失效问题 ， 出了一种改进的扩展 提
神经网络非线性系统辨识与模型参考自适应控制器设计
试论述神经网络系统建模的几种基本方法。
利用BP 网络对以下非线性系统进行辨识。
非线性系统22()(2(1)1)(1)()1()(1)y k y k y k u k y k y k -++=+++-1）首先利用u(k)=sin(2*pi*k/3)+1/3*sin(2*pi*k/6)，产生样本点500，输入到上述系统，产生y(k), 用于训练BP 网络；2）网络测试，利用u(k)=sin(2*pi*k/4)+1/5*sin(2*pi*k/7), 产生测试点200，输入到上述系统，产生y(k), 检验BP/RBF 网络建模效果。
3）利用模型参考自适应方法，设计NNMARC 控制器，并对周期为50，幅值为+/- 的方波给定，进行闭环系统跟踪控制仿真，检验控制效果(要求超调<5%)。
要求给出源程序和神经网络结构示意图，计算结果（权值矩阵），动态过程仿真图。
1、系统辨识题目中的非线性系统可以写成下式：22()(2(1)1)(1)()();()1()(1)y k y k y k f u k f y k y k -++=•+•=++- 使用BP 网络对非线性部分()f •进行辨识，网络结构如图所示，各层神经元个数分别为2-8-1，输入数据为y(k-1)和y(k-2)，输出数据为y(k)。
图 辨识非线性系统的BP 网络结构使用500组样本进行训练，最终达到设定的的误差，训练过程如图所示图网络训练过程使用200个新的测试点进行测试，得到测试网络输出和误差结果分别如下图，所示。
从图中可以看出，相对训练数据而言，测试数据的辨识误差稍微变大，在±0.06范围内，拟合效果还算不错。
图使用BP网络辨识的测试结果图使用BP网络辨识的测试误差情况clear all;close all;%% 产生训练数据和测试数据U=0; Y=0; T=0;u_1(1)=0; y_1(1)=0; y_2(1)=0;for k=1:1:500 %使用500个样本点训练数据U(k)=sin(2*pi/3*k) + 1/3*sin(2*pi/6*k);T(k)= y_1(k) * (2*y_2(k) + 1) / (1+ y_1(k)^2 + y_2(k)^2); %对应目标值Y(k) = u_1(k) + T(k); %非线性系统输出，用于更新y_1if k<500u_1(k+1) = U(k); y_2(k+1) = y_1(k); y_1(k+1) = Y(k); endendy_1(1)=; y_1(2)=0;y_2(1)=0; y_2(2)=; y_2(3)=0; %为避免组合后出现零向量，加上一个很小的数X=[y_1;y_2];save('traindata','X','T');clearvars -except X T ; %清除其余变量U=0; Y=0; Tc=0;u_1(1)=0; y_1(1)=0; y_2(1)=0;for k=1:1:200 %使用500个样本点训练数据U(k)=sin(2*pi/4*k) + 1/5*sin(2*pi/7*k); %新的测试函数Y(k) = u_1(k) + y_1(k) * (2*y_2(k) + 1) / (1+ y_1(k)^2 + y_2(k)^2); if k<200u_1(k+1) = U(k); y_2(k+1) = y_1(k); y_1(k+1) = Y(k); endendTc=Y; Uc=u_1;y_1(1)=; y_1(2)=0;y_2(1)=0; y_2(2)=; y_2(3)=0; %为避免组合后出现零向量，加上一个很小的数Xc=[y_1;y_2];save('testdata','Xc','Tc','Uc'); %保存测试数据clearvars -except Xc Tc Uc ; %清除其余变量，load traindata; load testdata; %加载训练数据和测试数据%% 网络建立与训练[R,Q]= size(X); [S,~]= size(T); [Sc,Qc]= size(Tc);Hid_num = 8; %隐含层选取8个神经元较合适val_iw =rands(Hid_num,R); %隐含层神经元的初始权值val_b1 =rands(Hid_num,1); %隐含层神经元的初始偏置val_lw =rands(S,Hid_num); %输出层神经元的初始权值val_b2 =rands(S,1); %输出层神经元的初始偏置net=newff(X,T,Hid_num); %建立BP神经网络，使用默认参数 %设置训练次数= 50;%设置mean square error，均方误差,%设置学习速率{1,1}=val_iw; %初始权值和偏置{2,1}=val_lw;{1}=val_b1;{2}=val_b2;[net,tr]=train(net,X,T); %训练网络save('aaa', 'net'); %将训练好的网络保存下来%% 网络测试A=sim(net,X); %测试网络E=T-A; %测试误差error = sumsqr(E)/(S*Q) %测试结果的的MSEA1=sim(net,Xc); %测试网络Yc= A1 + Uc;E1=Tc-Yc; %测试误差error_c = sumsqr(E1)/(Sc*Qc) %测试结果的的MSEfigure(1);plot(Tc,'r');hold on;plot(Yc,'b'); legend('exp','act'); xlabel('test smaple'); ylabel('output') figure(2); plot(E1);xlabel('test sample'); ylabel('error')2、MRAC 控制器被控对象为非线性系统：22()(2(1)1)(1)()();()1()(1)y k y k y k f u k f y k y k -++=•+•=++- 由第一部分对()f •的辨识结果，可知该非线性系统的辨识模型为：(1)[(),(1)]()I p y k N y k y k u k +=-+可知u(k)可以表示为(1)p y k +和(),(1)y k y k -的函数，因此可使用系统的逆模型进行控制器设计。
《系统辨识》新方法
《系统辨识》新方法在现代生产和控制系统中，系统辨识是一项至关重要的技术，可以用于确定系统的动态和静态特性。
传统的系统辨识方法主要是基于数学建模和数据分析，但由于系统的复杂性和不确定性，这些方法往往无法精确地描述系统的行为。
最近，一些新方法被提出来来处理这些限制。
这些方法包括基于深度学习的数据驱动方法和基于强化学习的模型自适应方法，它们非常适用于处理高维、非线性和时变系统。
数据驱动方法数据驱动方法是一种基于统计学和机器学习的方法，该方法可以从系统的输入输出数据中直接推断系统的动态和静态特性。
数据驱动方法对模型预测误差大的系统非常有效。
数据驱动方法的核心思想是使用神经网络等子模型来拟合输入输出数据。
其中，一些流行的数据驱动方法包括循环神经网络 (RNN)、长短期记忆网络 (LSTM)、卷积神经网络(CNN) 和自编码器 (AE)。
模型自适应方法模型自适应方法是一种基于控制理论和强化学习的方法，该方法可以通过“试错”过程来更新系统模型，并在这一过程中改善控制性能。
模型自适应方法与传统的控制器不同，可以通过优化系统模型来提高控制性能。
此外，模型自适应方法还能够应对系统非线性和不确定性，可以对高灵敏度系统进行控制。
模型自适应方法的核心思想是建立模型预测控制器 (MPC)，该控制器使用增量式状态估计器来更新系统模型，并根据模型预测控制策略来改善控制性能。
其中，一些流行的模型自适应方法包括无模仿神经网络自适应控制器 (NFNNAC) 和最优自适应滑模控制器(OOASMC)。
结论总之，数据驱动方法和模型自适应方法是现代系统辨识中的新方法。
这些方法已经被证明可以有效处理复杂、高维、非线性和时变系统，并且可以优化控制性能。
未来，这些方法将会在许多领域得到广泛应用，例如智能制造、机器学习和大数据分析。
一种基于改进神经网络的系统辨识方法
ｗｏ ｋｗａ ｓａ ｌ ｈ ｄ Ｓ ｃ ｎｄｙ，ａｌｗｅｇ ｓａ ｄ ｔ ｅ ｈ ｄｉ ｅ ｒ ｌｎ ｔ ｒ ｓｏ ｔｍｉｅ ｙ ｇ ｎｅｉ ｌｏ ｉｈ ，Ｓ ｓ ｔ ｐ ｉ ｚ ｔＳ ｒ ｓｅｔ ｈｉ ｅ ． ｅ ｏ ｌ ｓ ｌ ｉｈｔ ｎ ｈｒｓ ｏｌ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ ｗａ ｐ ｉ ｚｄ ｂ ｅ ｔｃａｇ ｒｔ ｍ ｎ Ｏ ａ ｏ ｏ ｔｍｉｅｉ’ ｓｒ ｃｕｒ．Ｆｉａｌ ｔｕ ｔ ｅ ｎｌ ｙ，ａ ｅ ｔｆ ａ ｅ ’ ｍｏ ｅ ｓｅｔ ｂｉｈ ｄｂ ｔｒ ｔ ｎ ｎ ｔ ｎ ｎｉ ｎｉｉ ｔｒＳ ｄ ｌｗａ ｓａ ｌ ｅ ｙｉｅ ａｉ ．Ｉ ｈｅｅ ｄ，ｔ ｅｐ ｐ ｒｐ ｏ ｅ ｈ ｏ ｇｈａｓｍｕａ ｉｎｏ ｈ ｒ－ ｒ ｅ ｏ ｄ ｃ ｓ ｏ ｈ ａ ｅ ｒ ｖ ｄｔ ｒ ｕ ｉ ｌｔｏ ｆ ｉｄ ｏ ｄ ｒｎ ｎ— ｔ
（ ． ｅｈ ｎ ｃｌ８ ｌｃｒ ｎｃＥ ｇｎ ｅｉ ｇＣ ｌ ｇ ， ｉｕ ｎ Ｕｎｖ ｒｉ ｆ ｃ ｎ ｅａ ｄＴｅ ｈ ｏｏ ｙ Ｔａｙ ａ ０ ０ ２ ） １ Ｍ ｃ ａ ｉａ ＬＥ ｅｔｏ ｉ ｎ ｉ ｅｒ ｏｌ ｅ Ｔａ ａ ｉｅ ｓ ｙｏ ｉ ｃ ｎ ｃ ｎ ｌｇ ， ｉｕ ｎ ３ ０ ４ ｎ ｅ ｙ ｔ Ｓ ｅ
ｌ ｅ ｒＭ Ｉ Ｏ ｙ ｔ ｍ ，ｔ ｉ ｅ ｔｆ ａｅ ａ ｕ ｈｃ ａａ ｔ ｒｓｉｓａ ｈ ｒ ｉ ｅａ ｄｈｇ ｒ ｃｓｏ ．Ｔｈ ａ ｅ ｒ ｖｄ ｓａｎｅ ｉｅ ｎ ｔｏ ｏ ｉ ａ Ｓ ｓ ｓｅ ｎ ｈｓｉ ｎ ｉｅ ｔ ｒｈ ｓｓ ｃ ｈ ｒ ｃｅｉｔｃ ｓｓ ｏ ｔｔ ｎ ｉｈ ｐ ｅ ｉｉｎ ｄ ｉ ｍ ｅｐ ｐ ｒｐ ｏ ｉｅ ｗ ｄ ａａ ｄｍｅｈ ｄｆ ｒ ｒ ｓａ ｃ ｎ ｎ ｎ ｕ ａ ｔ ｒ ｄ ｎ ｉｃ ｔｏ ． ｅ ｅ ｒｈｉｇｏ ｅ ｒｌｎｅｗｏ ｋ ｉｅ ｔｆ ａｉｎ ｉ Ｋｅ ｏｒ ｓ ｎ ｕｒｌｎ ｔ ｒ ｙＷ ｄ ｅ ａ ｅｗｏ ｋ，ｉｅ ｉｅ ｔ ｒ ｅ ｔｃａｇ ｒｔｍ ，ｏ ｔｍｉｅ，ｎ ｎｌ ｅ ｒｓ ｓｅ ｄ ｎｔｆ ａｅ ，ｇ ｎｅｉ ｌｏ ｉｈ ｉ ｐｉ ｚ ｏ ｉ ａ ｙ ｔｍ ｎ Ｃｌｓ ｍ ｂ ｒ ＴＰ３ ］ ９ ａ ｓ Ｎｕ ｅ ９．
非线性系统辨识与控制算法研究
非线性系统辨识与控制算法研究第一章：引言非线性系统广泛存在于现实生活中，从大气环境、机械系统到经济系统，都涉及到非线性问题。
非线性系统辨识与控制是研究非线性系统的一个重要方向，它关注如何识别非线性系统的参数和结构，并开发出针对这些系统的控制策略。
在这篇文章中，我们将探讨非线性系统辨识与控制的算法研究。
第二章：非线性系统辨识非线性系统的辨识是指通过实验或仿真来确定非线性系统的参数和结构。
传统的线性系统辨识方法，如最小二乘法和系统辨识工具箱，只适用于线性系统。
非线性系统辨识则需要使用更为复杂的方法。
2.1 基于神经网络的非线性系统辨识算法神经网络是一种模拟大脑神经元的计算模型，具有强大的非线性映射能力。
因此，基于神经网络的非线性系统辨识算法已经成为了较为成熟的算法之一。
该算法通过构建一个神经网络模型，利用实验数据进行训练，从而识别出非线性系统的参数和结构。
2.2 基于遗传算法的非线性系统辨识算法遗传算法是模拟生物进化过程的一种优化方法，它可以在搜索非线性系统参数空间时获得更好的结果。
基于遗传算法的非线性系统辨识算法通过构建一个优化模型，将非线性系统的参数作为待优化变量，利用遗传算法进行求解，从而获得非线性系统的参数和结构。
第三章：非线性系统控制非线性系统控制是指控制非线性系统的输出以达到一定的目标。
与线性系统控制不同，非线性系统控制需要考虑非线性系统的特征，如不确定性、耦合、时变性等等。
因此，非线性系统控制需要更为复杂的算法。
3.1 基于模糊逻辑的非线性系统控制算法模糊逻辑是一种能够应对不确定性问题的数学工具，它适用于非线性系统控制中的决策和规划问题。
基于模糊逻辑的非线性系统控制算法通过建立一组模糊规则，并利用这些规则对输入输出进行映射，生成控制规则集。
这种算法在处理非线性系统控制问题时具有较强的实用性。
3.2 基于自适应控制的非线性系统控制算法自适应控制是一种利用反馈信息来调节控制器参数的方法，适用于非线性系统控制中的时变性和不确定性问题。
7-1 神经网络辨识方法
从实际的观点看，辨识就是从一组模型中选择一个模型，按照某种原则，使之最 好地拟合所关心实际系统的动态或静态特性。
ˆ ，输出为 其数学表达为：设 系统为 P ，输出为 Z，输入为 u，模型为 P ˆz 辨识准则为 min z
ˆ z
ˆ, 使 因此辨识问题的提法是：确定模型 P
ˆ u p u ˆ z min p min z
u 系统 P
z _
z
模型
ˆ P
z -Z
2 系统解识的传统方法 <1> 基本要求 ①模型的选择 模型只能是在某种意义下实际系统的一种近似描述。 选择的标准依赖于模型的用途并兼顾其精确性和复杂性等问题。 ② 输入信号的选择 第一,输入信号的频谱必须足以覆盖系统的频谱。在辨识时间里，输入信号 必须是持续激励的，也就是说，输入信号必须充分激励系统的所有模态。 第二，输入信号应是最优的，即设计的输入信号使给定的问题的辨识程度最 高，因此常用的输入信号是向噪声或伪随机信号。 ③误差准则的选择 个误差的泛函： 准则是用来衡量模型接近实际系统的标准，它通常表示为一
系统 h(k) 辨识表达式 0 e(k) ＋ z(k) -
Z(k) _
模型
z (k)
( z (k)- z(k) ) 辨识算法 （k） 最小二乘法辨识原理
②梯形校正法 利用最速下降法原理，沿着误差准则函数关于模型参数的负梯度 方向，逐步修改模型的参数估计值，直至误差准则函数达到最小值。
J f e k
L
其中 f 是 e k 的泛函数， e k 是定义在区间 0, L 上模型与实际系统的误差函 数。
k 1
<2> 传统辨识基本方法 传统方法的基本原理：是通过建立系统依赖于参数 的模型，把辨识问题转化成 对模型参数的估计问题。
基于BP神经网络的非线性系统辨识
械工 业 出 版社 ，０ ６ ２０．
作 者 简 介 ： 志 勤 （９ １） 男 ， 学 硕 士 ， 程 师 ， 要 从 事 杨 １７ 一 ， 工 工 主 机 电一 体 化 方 面 的研 究 。 收 稿 日期 ：０８年 ４月 ８ 日 ２０
２ 采用 Ｂ Ｐ网络 来 实现 非 线性 系统 的辨 识
Ｂ Ｐ网络 的结构 是 ：
１ ）多层 网络结 构 ： 输入层 、 隐层 和输 出层 ； ２ ）传递 函数一 般 为 Ｓ型 函数 ： （ 一 厂 ｚ）
３ ）误差 函数 ；
；
Ｅ 一寺∑（ —０ ）， ￡ 其中 ｆ ， Ｏ 分别为期望
性 较 强 的 系统 进 行 辨 识 ， 有 一 定 的 适 用 性 。 具
关 键 词 ： 识 ； 线 性 系统 ； Ｐ神 经 网络 辨 非 Ｂ
中图分 类号 ： Ｐ １ ３ Ｔ ８
文 献标志 码 ： Ａ 经 网络用 于系 统辨识 具 有 以下 优 点 。 １ ）不要求 建立 实 际系统 的辨识 格 式 ， 以省去 可
１ ）非线 性特性 ： 经 网络具 有 逼近 任 意非 线性 神 函数 的能 力 ， 为非线 性 系 统 提 供 了一 个 通 用 的 系统 辨识 方法 ， 以用来 实现 非线 性系 统控 制 ； 可 ２ ）并 行 分 布 处 理方 式 ： 在神 经 网络 中 ， 息是 信
分布 存储 和并行 处 理 的 ， 使 它 具有 很 强 的容 错性 这 和很 快 的处理 速度 ； ３ ）自学 习和 自适应 能力 ： 经 网络 在 训练 时 能 神 够从 输入 输 出数 据 中提 取 出规 律 性 的知 识 ， 记忆 在
哈工大智能控制神经网络第十一课神经网络系统辨识
m
n
y(k) biu(k d i) ai y(k i)
i0
i 1
或
y(k) qd B(q1) u(k) B(q1) u(k d)
A(q1 )
A(q1 )
第一式为 ARMA 模型：
右边第 2 项为输出 y(k)的过去值组合称自回归部分； 第 1 项为输入 u(k)的过去值组合称滑动平均部分。
定义：
P(z)
Y (z) U (z)
Zy(k) Z u (k )
用迟后移位定理求 Z 变换，经整理得 Z 传递函数：
P( z)
b0 + b1z 1 + b2 z 2 + + bm z m 1 + a1z 1 + a2 z 2 + + an z n
z d
m
b0 (1 pi z 1)
i1
n
z d P0 (z)z d
确定性系统NN辨识——改进算法
引入加权因子，此时
h [ c 1 y (k 1 ), y c 2 (k 2 ), ， c ny (k n );
c n + 1 u (k d ),c n + 2 u (k d 1 ), c n + m + 1 u (k d m )]T
可取 ci i,01
则参数估计更新：w ( k + 1 ) w ( k ) + R ( k ) e ( k ) h ( k )
系统辨识理论基础
定义：在输入/输出数据基础上，从一组给 定模型类中确定一个所测系统等价的模型。 辨识三要素： 输入/输出数据 模型类(系统结构) 等价准则 e.g. J e
符号
P: 待辨识系统； Pˆ 辨识系统模型
基于神经网络的伺服系统辨识与内模控制
下 Ｍ Ｄ ０３ １ 编码 器每转脉冲数为 ２５０ ４倍频 Ｓ Ａ ８ Ｄ Ａ； ０ ， 反馈 ， 到 编 码 器 每 转 脉 冲 数 为 １ ０ 。② 电 得 ０ ００ 机控制 卡 ： 采用 凌华Ｐ Ｉ ６ ③ 工控机 ：ｅｔ ｍ１ Ｃ ．１ 。 ８３ Ｐｎ ｕ ｉ １ １
Ｋ ｅ ｒ ｓ： ｏ ｌｎ ａ ；ｓ ｓｅ ｉ ｅ ｔｆ ａ ｉｎ；ｈ ｇ ｐ ｅ ｎ ｉｈ ｐ ｅ ｉｉｎ；ｎ ｕ ａ ｅ ｒ ｓ ｙ ｗｏ ｄ ｎ ｎ ｉ ｅ ｒ ｙ ｔｍ ｄ ｎｉｉ ｔ ｃ ｏ ｉｈ ｓ ｅ ｄ ａ ｄ ｈ ｇ ｒｃｓｏ ｅ ｒ ｌｎ ｔｗｏ ｋ
为获得高性能的运动控制伺服系统 ， 首先需要确
１３Ｇ ｚ ． Ｈ 。④ 附加惯性：．０ ｇａ １６３８ｋ．ｍ 。 为了使过程是可辨识的， 选择 Ｍ序列信号作为系 统辨识的输入信号 ］为避免信号失真 ， ， 且保证数据
一
定 的信噪比， 经试验确定输出幅值 ａ ３００ 输入信 ＝ ０ ，
号为 ： １ ０ 和 一１ ０ 两种数值。通过输入正弦信 ＋ ０ ５ ０ ５
Ｓ ｓｅ ｉ ｎ ｉ ｃ ｔｏ ｎ ｎ ｅ ｎ ｌｍｏ ｌｃ ｎ ｒ ｌｏ ｅ ｖ ｏ ｔ ｏ ｙ ｔ ｍ ｓ ｙ ｔ ｍ ｄｅ ｔｆ ａ ｉ ｎ ａ ｄ ｉ ｔ ｒ ａ ｄｅ ｏ ｔ ｏ ｆ ｓ ｒ ｏ ｃ ｎ ｒ ｌｓ ｓ ｅ ｉ ｂ ｓ ｄ ｏ ｕ ａ ｅ ｒ ｓ ａ ｅ ｎ ｎｅ ｒ ｌｎ ｔｗｏ ｋ
Ｗｕ ａ ３０ ４ Ｃ ｉａ ｈｎ４ ０ ７ ， ｏ ａ ｓ ｔｏ ｅ ｔｄ ｔ ｆＳ ｒ ｏ Ｃｏ ｔｏ ｙ ｔｍｓ，ｔ ｅｐ ｐ ｒｈ ｓｍａ ｅｓ ｓｅ ｉ ｅ ｔ ｉａｉｎｓｏ ｓｒ ｃ ： ｃ ｒ ｉ ｇｔ ｅ ｆｔｓ ａａｏ ｅ ｖ ｎｒｌＳ ｓｅ ｈ ａ ｅ ａ ｄ ｙ ｔｍ ｄ ｎ ｉｃ ｔ ｆ ｏ ｆ ｐｏｉｉｅａ ｄ ｉ ｖ ｒｅｍｏ ｅ ａ ｅ ｎ ｎ ｕａ ｅ ｒ ｓ ｎ ｎ ｌｓ ｓｉ ｅ ｔ ｉａｉｎ ｒｓ ｌ ａ ｄ ｐ ｔ ｏｗａ ｄ ｐ ｓｉ ｓｔｖ ｎ ｎ ｅｓ ｄ ｌｂ ｓ ｄ ｏ ｅ ｒｌｎ ｔｗｏｋ ，ａ ｄ ａ ａｙ ｅ ｄ ｎｉ ｃ ｔｏ ｅ ｕ ｔ ｎ ｕｓｆｒ ｒ ｏ ｓ— ｆ ｂ ｅ ｓ ｈ ｍｅ ｔ ｅ ｌｚ ｇ ｐ ｅ ｎ ｇ ｒ ｃｓｏ ｔｏ ｌ ｃ ｅ ｏ ｒ ａｉｅ Ｈｉｈ Ｓ ｅ ｄ ａ ｄ Ｈｉｈ Ｐ ｅ ｉｉｎ Ｍｏｉｎ．
神经网络与系统辨识
J [ z i f ( x1 , x2 ,, xn , t i )]2
i 1 m
为最小。
按照J为最小的条件来确定 f(t) 中的参数x1，x2，…，xn。将上 式分别对x1，x2，…，xn求偏导数，并令它们等于零，可得 n 个方程 ，解之可得x1，x2，…，xn的最优估值：
T 1 K k 1 Pk 1 H k 1 Rk1
递推最小二乘法⑵
可用上面的公式进行递推计算，但必须知道xk和Pk的初值x0和 P0。如何设定初值请参阅有关文献。 最小二乘估计递推方法：新的估计值是由旧估值加上修正项构 成，而修正项正比于新观测值与期望的观测值之间的误差。这相当 于带有反馈校正的性质，当新观测值与期望观测值不符时，就要修 正，这是最小二乘估计递推公式的特点。
⑶最小二乘估计的均方误差表示估计误差分布在零附近的密集程度 ，均方误差越小，估计量越接近被估量的实际值，可信程度越高。
ˆ ˆ E[~~T ] E[(x x)(x x)T ] ( H T H ) 1 H T E(eeT ) H ( H T H ) 1 xx
R E(eeT )
加权最小二乘法
递推最小二乘法先用加权最小二乘法处理k个观测值有x的估值kktkkkktkkktkkzwhpzwhhwhx??11?kktkkhwhp111111111111?x?kktkkkktkkktkkzwhpzwhhwhkx?1?kx1?rrwtk???????k?k?k1111100rrr111111??kkkkhhpp?x?x?x111111111kkkkkkktkkkhzkzrhp??11111?ktkkkrhpk假设又得到了第k1次观测值zk1有x的估值可见附加新的观测值后要完全重复以前的计算这就有必要寻找一种新的方法
基于RBF神经网络的非线性系统对象辨识
基于RBF神经网络的非线性系统对象辨识作者：王轩来源：《科技创新与应用》2020年第05期摘; 要：被控对象数学模型的精确建立是控制理论研究和发展的重要基础，但在实际工况中的控制系统多为复杂的非线性系统，因此高精度的非线性系统辨识技术显得至关重要。
RBF 神经网络具有对任意非线性函数逼近的能力，于是设计将RBF神经网络技术运用到系统辨识中，并通过Matlab仿真基于RBF神经网络对给定复杂非线性系统的辨识。
仿真结果表明在对于复杂非线性系统的辨识上，基于RBF神经网络的系统辨识法是准确可行的。
关键词：系统辨识;RBF神经网络;非线性系统;仿真中图分类号：TP273 文献标识码：A 文章编号：2095-2945（2020）05-0031-03Abstract： The establishment of accurate mathematical model of the controlled object is an important basis for the research and development of control theory， however， most of the control systems in actual working conditions are complex non-linear systems， therefore， high-precision non-linear system identification technology is very important. The RBF neural network has the ability to approximate non-linear functions， so the RBF neural network is designed to be used in system identification， and the given complex non-linear system is identified based on the neural network through Matlab simulation. Simulation results show that system identification based on RBF neural network is accurate and feasible for the identification of complex non-linear system.Keywords： system identification; RBF neural network; non-linear system; simulation系统辨识作为可以建立被控对象精确数学模型的学科是控制理论发展和应用的前提和基础。
基于神经网络的机电传动系统参数辨识与自适应控制研究
基于神经网络的机电传动系统参数辨识与自适应控制研究机电传动系统是现代工程中重要的组成部分，其参数的辨识与自适应控制在系统优化与控制策略设计中具有重要意义。
本研究基于神经网络的方法，旨在对机电传动系统的参数进行辨识，并应用自适应控制策略实现系统性能的优化。
一、神经网络在机电传动系统参数辨识中的应用神经网络具有非线性映射和逼近能力强的特点，能够有效地对复杂系统进行建模和辨识。
在机电传动系统参数辨识中，神经网络可以用于识别系统的传递函数、时滞、非线性参数等。
1.1 神经网络的结构与训练神经网络由输入层、隐藏层和输出层组成，通过调整连接权值和偏置来拟合系统的输入输出关系。
传统的训练方法包括误差反向传播算法和逐步逼近算法。
而近年来，基于深度学习的方法，如卷积神经网络和循环神经网络，在参数辨识任务中也取得了较好的效果。
1.2 参数辨识算法常用的参数辨识算法包括最小二乘法、极大似然估计法和粒子群优化算法等。
这些算法可以用于确定神经网络的连接权值和偏置，从而实现对机电传动系统参数的准确辨识。
二、基于神经网络的机电传动系统自适应控制研究机电传动系统自适应控制是指根据实时反馈信息，自动地调整控制策略以实现对系统性能的优化。
神经网络的非线性映射能力使其成为机电传动系统自适应控制的理想工具。
2.1 神经网络控制器设计基于神经网络的自适应控制器可以根据实时反馈信号对系统进行辨识和建模，从而实现对控制策略的自适应调整。
控制器的设计主要包括神经网络结构的选择、损失函数的定义以及参数更新策略的确定。
2.2 自适应控制策略自适应控制策略包括模型参考自适应控制、输出反馈自适应控制和直接自适应控制等。
这些策略可根据实际情况和系统需求进行选择，通过调整神经网络控制器的参数，实现对机电传动系统的自适应调节。
三、机电传动系统参数辨识与自适应控制应用实例为验证基于神经网络的机电传动系统参数辨识与自适应控制方法的有效性，我们给出一个应用实例。
基于神经网络的图像识别技术研究
基于神经网络的图像识别技术研究一、介绍随着互联网和移动互联网的发展，图像识别技术越来越得到人们的关注。
基于神经网络的图像识别技术是目前最为流行的一种识别技术，在图像分类、目标检测、人脸识别等方面发挥了重要作用。
本文将从理论基础、算法原理、应用场景等多个方面对基于神经网络的图像识别技术进行研究，并对未来发展进行分析。
二、理论基础1.神经网络神经网络是一种用于模拟人类神经系统的计算模型，它可以进行大规模的并行计算，是实现机器学习的重要工具。
神经网络包括输入层、输出层和隐藏层，隐藏层的个数和神经元的数量可以根据实际需要进行设置。
2.卷积神经网络卷积神经网络是一种特殊的神经网络，它采用卷积操作来识别图像中的特征。
卷积神经网络通常包括卷积层、池化层、全连接层等模块，其中卷积层是核心部分，它通过卷积实现特征提取和降维。
三、算法原理1.卷积操作卷积操作是卷积神经网络的核心，它可以实现在图像中寻找特征，例如边缘、角等。
卷积操作的本质是滤波操作，通过将图像与特定的卷积核进行卷积，产生新的特征图，从而提取出图像的视觉特征。
2.池化操作池化操作可以减小卷积神经网络的复杂度，同时可以缩小特征图的大小。
常见的池化操作有平均池化和最大池化，可以减小图像的噪声、平滑图像和增强图像的特征。
3.损失函数损失函数用于衡量模型的预测结果和真实结果之间的差距，常用的损失函数有均方误差、交叉熵等。
基于神经网络的图像识别技术通常采用交叉熵损失函数进行模型训练。
四、应用场景1.图像分类基于神经网络的图像分类技术可以将输入图像自动分类到不同的类别中。
例如，可以将图像分类为动物、植物、建筑、人物等种类。
2.目标检测基于神经网络的目标检测技术可以检测图像中的目标位置和属性，例如人脸识别、车辆检测、物体识别等。
3.人脸识别基于神经网络的人脸识别技术可以自动识别输入图像中包含的人脸，还可以分析人脸的属性，如性别、年龄、表情等。
五、未来发展基于神经网络的图像识别技术还有很大的发展空间，未来可以在以下方面进行进一步的研究：1.自动化模型选择和优化通过自动化选择模型和优化参数，可以提高模型的精度和速度。
基于神经网络系统辨识PID控制的设计与仿真
122自动化控制Automatic Control电子技术与软件工程Electronic Technology & Software Engineering1 概述过程控制常常遇到大惯性与纯滞后、多变量与耦合且对象模型时变不确定系统，控制系统结构和参数需要依靠经验和现场调试来确定。
PID 控制使用可靠、参数整定方便，成为过程控制常用的控制规律。
PID 控制三个控制参数其整定是控制系统设计的核心，往往参数整定完成后，整定好参数并不具有自适应能力，因生产环境发生改变，参数又需要重新整定。
利用神经网络多输入多输出以适应多变量与耦合、神经网络模型辨识以适应对象模型时变不确定性监测，使得控制具有良好在线自学习和自适应能力，可以很好发挥PID 比例、积分、微分控制优势。
2 系统设计2.1 总体设计设被控对象为：y(k)=g s [y(k-1),y(k-2),…,y(k-n),u(k-1),u(k-2),…u(k-m)]n>m （1）式（1）中被控对象的非线性特性g s (•)未知，需要神经网络辨基于神经网络系统辨识PID 控制的设计与仿真李建新（广州工商学院工学院 广东省广州市 528138）识器在线辨识以确定被控系统的模型。
PID 控制要取得较好的控制效果，关键在于调整好比例、积分和微分三种控制作用的关系。
在常规PID 控制器中，这种关系只能是简单的线性组合，因此难以适应复杂系统或复杂环境下的控制性能要求。
摘 要：本文为了实现生产过程有效控制，将神经网络、模型辨识和PID 控制技术结合，研究神经网络及系统辨识PID 控制。
该控制利用BP 神经网络学习技术实现PID 参数在线调整,同时采用BP 神经网络对被控对象在线辨识。
所设计的算法通过MATLEB 进行大量数据仿真，结果表明该控制实现了传统的PID控制算法无法适应的要求和对所开发的目标机良好移植性。
关键词：PID 控制；BP 神经网络；模型辨识；参数整定；权值调整图1：基于神经网络系统辨识PID 控制系统结构提高分类器的分类速度，达到了优化的目的。
神经网络模式识别法介绍
神经网络模式识别法介绍神经网络模式识别法的基本原理是借鉴生物神经元的工作原理，通过构建多层的人工神经元网络，实现对复杂模式的学习和识别。
神经网络由输入层、隐藏层和输出层构成。
其中，输入层负责接收外界的输入模式，隐藏层是中间处理层，用来提取和转换输入模式的特征信息，输出层则是输出识别结果。
在神经网络模式识别方法中，关键的步骤有以下几个：1.数据预处理：首先需要对输入数据进行预处理，包括数据归一化、降噪和特征提取等。
这样可以使得神经网络更好地处理数据。
2.网络结构设计：根据实际问题的特点和要求，设计合适的神经网络结构。
可以选择不同的激活函数、网络层数、隐藏层神经元的数量等参数。
3.网络训练：利用已有的训练数据对神经网络进行训练。
训练过程中，通过反向传播算法来调整网络的权值和阈值，不断优化网络的性能。
4.网络测试：使用独立的测试数据对训练好的网络进行测试，评估其识别的准确性和性能。
可以通过计算准确率、召回率、F1值等指标来评估模型的效果。
神经网络模式识别方法有多种应用，如图像识别、语音识别、手写体识别等。
在图像识别领域，神经网络模式识别方法可以通过对图像的像素进行处理，提取图像的纹理、形状和颜色等特征，从而实现图像的自动识别。
在语音识别领域，神经网络模式识别方法可以通过对语音信号进行处理，提取声音特征，将语音信号转化为文本。
与其他模式识别方法相比，神经网络模式识别方法具有以下优点：1.具有自学习能力：神经网络可以通过反馈调整权值和阈值，不断优化自身的性能，从而实现模式识别的自学习和自适应。
2.并行性能好：神经网络中的神经元可以并行进行计算，能够快速处理大规模数据，提高了模式识别的效率。
3.对噪声鲁棒性好：神经网络能够通过反馈调整来适应输入数据中存在的噪声和不确定性，增强了模式识别的鲁棒性。
4.适应性好：神经网络模式识别方法适用于非线性问题和高维数据，能够处理复杂的模式识别任务。
尽管神经网络模式识别方法具有以上的优点，但也存在一些挑战和限制。
系统辨识的新方法_OK
2
模型辨识问题：在给定性能指标下，根据系统 的输入输出数据确定(1)所有的参考模型集合；(2) 结构参数；(3)模型解关系阵R。以使性能指标J 极小。
N
R Rk
k 1
Rk px1 (k) • px2 (k) •• pxn (k) • py (k)
逼近 • 较大可能达到全局最优
（本质上存在局部极值问题）
18
15
三、模糊神经网络模型
• 神经网络 • 模糊系统 • 模糊系统与神经网络的结合----
模糊神经网络
16
基于T-S模型的模糊神经网络
1.模糊模型 T-S规则模型
2. 网络 由辨识算法和计算算法得到
3. 学习算法 连接权 前件网络底二层各结点隶属函数的中心值及宽度
17
模糊神经网络的特点
• 模糊神经网络是局部逼近网络 • 网络结点及参数具有明显的物理意义 • 参数学习和调整快 • 非线性函数可表示为多个线性函数的模糊
(2) 具有较好的泛化能力
12
缺点： 收敛慢 局部极值问题 网络结构难以确定 （经验、遗传算法）
改进： (1) 变尺度法 (2) 变步长法 (3) 引入动量项
13
4. 基于神经网络的系统建模和辨识
u(t)
y(t)
对象
y(t)
e(t)
NN
正模型、逆模型问题
14
• 可辨识性问题 • 对于拟辨识的动力学系统，必须预先给出定阶的差分方程 • 无法表达对象的干扰部分
3
2. T-S模型
Ri : if x1 is A1i andand xn is Ain
then y pi0 p1i x1 pinxn
基于神经网络的目标识别技术研究
基于神经网络的目标识别技术研究近年来，随着计算机视觉的不断发展以及深度学习算法的普及，基于神经网络的目标识别技术已经成为了计算机视觉领域的热点之一。
无论是智能交通领域的车辆识别，还是智能安防领域的人脸识别，基于神经网络的目标识别技术都有着广泛的应用。
一、神经网络基础神经网络是一种类似于人类神经系统的计算模型，它由大量的简单处理单元（也称为神经元）组成，并使用一定的模式识别算法进行演化和训练。
其中最常见的神经网络模型包括:感知机、多层感知机、卷积神经网络和递归神经网络等等。
而在神经网络技术中，目标识别技术又被称为“卷积神经网络”。
二、卷积神经网络的原理卷积神经网络是一种能够有效解决图像识别问题的神经网络，其原理主要基于卷积运算和池化运算。
在卷积运算中，神经网络会通过不同大小的卷积核对输入图像进行卷积操作，从而提取出不同的特征信息。
而在池化运算中，神经网络会通过下采样的方式，对卷积后的特征图进行降维，从而减少特征数量，降低模型复杂度。
最终，神经网络通过全连接层将池化后的特征图输出，实现对目标的识别。
三、目标识别数据集在神经网络的训练过程中，目标识别数据集是至关重要的。
常见的目标识别数据集包括CIFAR-10、MNIST、ImageNet等。
其中，ImageNet数据集是目前公认的最大规模的目标识别数据集，其包含超过百万张图片，并覆盖了22,000多个类别。
通过对数据集的训练，神经网络可以逐渐学习到不同目标的特征信息，提高自身的目标识别能力。
四、目标识别算法目标识别算法是指在神经网络中用于识别目标的算法，常见的算法包括Faster R-CNN、YOLO、SSD等。
其中，YOLO算法被广泛应用于自动驾驶领域的车辆和行人识别，其主要特点是速度快，能够实时识别目标。
而Faster R-CNN算法则是一种经典的目标识别算法，其主要特点是准确度高，在结合ResNet等深度学习算法后，其目标识别的准确度可以达到99%以上。
基于神经网络的非线性系统辨识
基于神经网络的非线性系统辨识随着人工智能技术的不断发展，神经网络技术成为人工智能领域中一个重要的研究方向。
神经网络具有自主学习、自适应和非线性等特点，因此在实际应用中有很大潜力。
本文将介绍神经网络在非线性系统辨识中的应用。
一、什么是非线性系统辨识？非线性系统辨识是指对一些非线性系统进行建模与识别，通过参数估计找到最佳的系统模型以进行预测分析和控制。
在许多实际应用中，非线性系统是比较常见的，因此非线性系统辨识技术的研究和应用具有重要的意义。
二、神经网络在非线性系统辨识中的应用神经网络在非线性系统辨识中具有很好的应用效果。
其主要原因是神经网络具有强大的非线性建模和逼近能力。
常用的神经网络模型包括前馈神经网络、递归神经网络和卷积神经网络等。
下面主要介绍前馈神经网络在非线性系统辨识中的应用。
1. 神经网络模型建立前馈神经网络由输入层、隐含层和输出层组成。
在非线性系统辨识中，输入层由外部输入量组成，隐含层用于提取输入量之间的非线性关系，输出层则用于输出系统的状态变量或输出变量。
模型建立的关键是隐含层神经元的个数和激活函数的选取。
2. 系统建模在非线性系统的建模过程中，需要将输出变量与输入变量之间的非线性关系进行建立。
可以使用最小二乘法、最小均方误差法等方法，对神经网络进行训练和学习，在一定的误差范围内拟合系统模型。
此外，也可以使用遗传算法、粒子群算法等优化算法来寻找最优的神经网络参数。
3. 系统预测和控制在系统建模和参数估计后，神经网络可以用于非线性系统的预测和控制。
在预测过程中，将系统的状态量输入前馈神经网络中，通过输出层的计算得到系统的输出量。
在控制过程中，将前馈神经网络与控制器相结合，在控制对象输出量和期望值不同时，自动调节控制器参数的值来实现系统的控制。
三、神经网络在非线性系统辨识中的优势和挑战与传统的线性系统模型相比，神经网络模型可以更好地描述非线性系统，并且可以用于对于非线性系统的建模和控制。
基于BP神经网络的图像识别算法研究
基于BP神经网络的图像识别算法研究近年来，人工智能技术在各个领域得到了广泛应用。
其中，图像识别技术是人工智能领域的重要应用之一。
在许多实际应用场景中，我们需要对图像进行自动化识别。
传统的图像识别方法往往需要手动提取特征，这个过程需要大量的人力和时间。
而基于BP神经网络的图像识别算法则可以通过学习训练数据来自动提取特征，能够更好地应对现实场景中的变化和噪声。
一、BP神经网络基础BP神经网络是一种常见的前馈神经网络，它通常由输入层、隐藏层和输出层组成。
每个神经元都有多个输入和一个输出。
其中，输入为前一层神经元的输出经过加权之后再加上一个偏置得到的。
每个神经元都有一个激活函数，它可以将输入转换成输出，并经过向后传播算法来进行权值的调整，从而达到对数据的分类和识别的目的。
在BP神经网络的训练中，常用的算法是误差反向传播算法。
该算法的目的是通过不断地调整权值和偏置，使得神经网络的输出尽可能接近真实值。
误差反向传播算法是一个迭代过程，每次迭代都会调整权值和偏置。
其中，每次迭代的误差是神经网络的输出和真实值之间的差距。
通过误差反向传播算法，我们可以得到神经网络中每个节点的权值和偏置，从而使得神经网络的输出在训练数据集上表现更好。
二、基于BP神经网络的图像识别算法基于BP神经网络的图像识别算法最重要的步骤是特征提取。
传统的图像识别算法需要手动提取特征，这个过程比较繁琐，需要人工干预。
而基于BP神经网络的图像识别算法则可以通过学习训练数据来自动提取特征。
在训练过程中，神经网络不断调整权值和偏置，从而使得神经网络的输出能够更好地匹配训练数据。
在测试数据上，我们可以直接使用已经训练好的神经网络进行分类和识别。
在实际应用中，基于BP神经网络的图像识别算法需要解决以下几个问题。
首先，特征提取的效果直接影响算法的性能。
如果特征提取的质量不好，那么算法的准确率也会大大降低。
其次，对于大型数据集来说，神经网络的训练可能需要花费很长时间，因此需要针对具体问题选择合适的神经网络模型和算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于神经网络模型的最新系统辨识算法摘要：神经网络具有大规模并行分布式结构、自主学习以及泛化能力，因此可以利用神经网络来解决许多传统方法无法解决的问题。
神经网络应用在非线性系统的辨识中有良好的结果。
本文在阅读大量参考文献的基础上，对最新的基于神经网络的系统辨识算法进行总结。
关键字：神经网络；系统辨识；辨识算法The latest algorithm about identification system basedon neural network modelAbstract: Neural network has large parallel distributed structure, learning by itself and has generalization ability. So neural network is used to solve many questions which traditional method cannot. Neural network is well applied to nonlinear system which has got good achievements in identification system. Based on most of documents, the paper summaries the latest algorithm about identification system based on neural network model.Keywords:Neural network, identification system, identification algorithm0 前言在国内，系统辨识也取得了许多成绩，尽管成果丰硕，但传统辨识法仍存在不少局限：传统辨识法较适用于输入端中扰动水平比较低的控制系统，对于具有外界干扰的控制系统，就会出现计算量大、鲁棒性不够好的问题；最小二乘法及其相关改进算法一般利用梯度算法进行信息搜索，容易陷入局部极小值。
鉴于此，神经网络控制在系统辨识中得到了新的应用。
本文在阅读大量文献后，针对国内基于神经网络的结合其他算法的最新辨识算法进行综述分析。
1 神经网络的应用优势神经网络的吸引力在于：能够充分逼近任意复杂的非线性关系，能够学习适应不确定性系统的动态特性；所有定量或定性的信息都分布储存于网络内的各个神经元，所以有很强的鲁棒性和容错性；采用并行分布处理方法，使得快速进行大量运算成为可能。
这些特点显示了神经网络在求解非线性和不确定性系统控制方面的巨大潜力，将神经网络引入控制系统是控制学科发展的必然趋势[1]。
它的引入不仅给这一领域的发展带来了生机，也带来了许多急待解决的新课题。
由于对神经网络的理论研究和硬件实现还远远未达到完善的地步，此外，由于神经网络用于控制时出现的一些新的问题如控制系统的稳定性和在线学习的收敛性等需要进一步的解决，因此，现有的研究大多停留在软件及仿真研究上，付诸应用的不多，神经网络控制系统的研究还面临十分艰巨的任务。
传统的辨识方法，对于一般非线性系统的辨识是很困难的，而神经网络却提供了一个有力的工具。
神经网络系统辨识实质上是选择一个适当的神经网络模型来逼近实际系统[2]。
由于神经网络对非线性函数具有任意逼近和自学习能力，所以神经网络系统辨识为非线性系统的辨识提供了一种简单而有效的一般性的方法。
2 极点配置PID与神经网络结合研究过程传统的基于最小二乘法的模型参数的辨识算法中，虽然其辨识法简单实用、在处理递推计算时，算法收敛可靠。
但是，它有两个方面的缺陷：一、如果给予系统模型有色噪声干扰时，那么基于最小二乘法的参数估计不是一致的、无偏的估计；二是一旦数据处理量发生增长，那么基于最小二乘法的递推辨识方法会出现数据饱和的现象。
鉴于神经网络控制方法，自学习能力强，能有效克服这些问题。
所以釆用了神经网络控制的方法，在三层BP神经网络的结构中，融合最小二乘辨识算法思想，在已有的递推神经网络参数辨识方法基础上，改进了原有的参数辨识法，以新的方法进行在线辨识模型参数。
针对三层BP神经网络，利用改进了常规的基于梯度下降法的权值调整算法，在高斯．牛顿算法的基础上，递推预测误差神经网络算法被提出。
利用该算法，对含有多个未知参数的系统进行了非线性系统的参数辨识。
随后，该辨识方法获得了进一步的推广，实现了对高阶的NARMAX模型，多维线性模型，轨道车辆横向振动等系统模型的参数辨识，取得了一定的成效。
但是，该方法中动量因子与学习率均为随机给定且为固定不变的常值，因而系统会存在神经网络收敛速度慢、辨识结果精度低等问题[1]。
针对该递推预测误差神经网络算法中存在的缺陷，在未进行参数辨识的情况下，引入了动量因子与学习速率的优化机制，从而实现了对递推预测误差神经网络算法的改进，改进后，系统的稳定性、鲁棒性等性能得到了较好的改善。
通过神经网络与递推预测误差结合，将改进递推预测误差神经网络算法应用到了非线性系统的模型参数辨识中。
设计设计系统控制器，极点配置PID方法在工程中已经取得应用。
例如RobertRichardson等学者利用极点配置PID方法设计出的阻抗控制气动机器人关节间隙器[3]，让系统有效地克服了噪声等不同的外来干扰；陈青昌等中利用极点配置PID 方法所设计的全桥DC/DC变换器，并推导出变换器极点配置PID算法中PID参数与性能指标的函数关系等[4]，吴平景结合神经网络辨识方法，设计了基于极点配置的数字PID控制器。
3 基于Hammerstein型神经网络的非线性动态系统辨识Hammerstein 模型广泛应用于非线性系统的辨识中，其结构是由非线性静态增益部分和一个线性动态部分串联。
Janczak[5]设计了一个神经网络描述Hammerstein模型其由有隐藏层的非线性模块和一个线性输出节点组成。
Wu等[6]提出一种Hammerstein神经网络来辨识非线性动态系统。
然而，这些研究均是假定Hammerstein模型的线性动态部分的阶次是已知的。
为了确定 Hammerstein 模型中线性动态部分的阶次，Billings 等[7]提出一种正交回归估计方法以确定多输入多输出（MIMO）非线性系统的结构。
但是，这种方法不能被用在Hammerstein模型。
He 等[8]使用Lipschitz熵提出了一中确定单输入单输出(SISO)系统阶次的方法。
Luh 等[9]把这种方法延伸到MIMO系统，并且使用正交基函数的概念在有限的范围内提高了其性能。
MuKun[2]最近提出一种动态Hammerstein 型神经网络用来完全模拟传统的Hammerstein模型，并将其应用于非线性动态系统的辨识中。
该神经网络的权值跟与Hammerstein模型的参数相对应，然后利用Lipschitz熵来确定Hammerstein型神经网络的阶次，即确定了Hammerstein 型神经网络的神经元个数。
随后，Hammerstein型神经网络的权值由反向传播算法(BP)来训练[10]。
最后，将提出的动态Hammerstein型神经网络应用于SISO非线性动态系统的辨识中。
4 关于神经网络辨识的分析总结当前，我国神经网络用于系统辨识的应用正在开展，但与国外的研究水平相比，仍有一定的差距，很多理论和技术有待于进一步提高和改进，因此有必要加强理论与实现技术的研究，以提高其应用水平。
目前的研究和应用大都是用计算机得到的仿真结果，这使得神经网事实上变成了逼近函数的图解。
所以，个种网络的硬件实现问题非常迫切，有了真正的网络，神经网的快速，容错等优点才能真正体现，各种并行学习算法才能真正得以实施。
参考文献[1] 吴平景. 基于神经网络系统参数辨识的自适应控制方法研究[D].广州工业大学, 2015.[2] 慕昆, 彭金柱. 基于Hammerstein型神经网络的非线性动态系统辨识[J]. 计算机应用与软件, 2015, 32(10): 168-171.[3] Richardson R, Brown M. Impedance control for a pneumatic robot-based around pole-placement, joint space controllers[J]. ControlEngineering Practice, 2005, 13(3): 291–303.[4] Cheng Q C, Peng L, Kang Y. PID Controller Parameters’Optimization for DC/DC Converters Based on Pole Deploying[J].Telecom Power Technologies, 2005, 22(4): 78-81.[5] Janczak A. Identification of Nonlinear Systems Using NeuralNetworks and Polynomial Models[M]. Springer Berlin Heidelberg,2005, 310: 31-75.[6] Wu D, Huang S, Zhao W, et al. Infrared thermometer sensordynamic error compensation using Hammerstein neural network[J].Sensors & Actuators A Physical, 2009, 149(1): 152–158.[7] Billings S A, Fakhouri S Y. Identification of systems containinglinear dynamic and static nonlinear elements[J]. Automatica, 1982,18(82): 15-26.[8] He X, Asada H. A New Method for Identifying Orders of Input-Output Models for Nonlinear Dynamic Systems[C]. IEEE AmericanControl Conference, 1993: 2520-2523.[9] Luh G C, Rizzoni G. Identification of a nonlinear MIMO IC enginemodel during I/M240 driving cycle for on-board diagnosis[C]. IEEE American Control Conference, 1994: 1581-1584.[10] 左军, 周灵. 基于神经网络模型改进算法的动态辨识系统仿真[J].计算机科学, 2015, 42(6A): 118-120.。