基于广义回归神经网络的磁流变减振器模型辨识

合集下载

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)。

ａｎｄｃｏｍｐａｒｅｄｗｉｔｈｍｏｄｅｌｓｂａｓｅｄｏｎｂａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＢＰＮＮ）．Ｔｈｅｒｅｓｕｈｓｓｈｏｗｔｈａｔｂｙｒｅａｓｏｎａｂｌｙ
２０１３年（第３５卷）第７期
汽车工程ＡｕｔｏｍｏｔｉｖｅＥｎｇｉｎｅｅｒｉｎｇ
２０１３（Ｖｏ１．３５）Ｎｏ．７ Байду номын сангаас
２０１３１１６
基于广义回归神经网络的磁流变减振器模型辨识木
ｃｈａｒａｃｔｅｉｒｓｔｉｃｓｄａｔａｏｂｔａｉｎｅｄｉｎｂｅｎｃｈｔｅｓｔ，ｂｏｔｈｆｏｒｗａｒｄａｎｄｉｎｖｅｒｓｅＧＲＮＮ— ｂａｓｅｄｍｏｄｅｌｓｆｏｒＭＲｄａｍｐｅｒａｒｅｂｕｉｈ
［Ａｂｓｔｒａｃｔ］Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｎｏｎｌｉｎｅａｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍａｇｎｅｔｏ－ｒｈｅｏｌｏｇｉｃａｌ（ＭＲ）ｄａｍｐｅｒ，ａｍｏｄｅｌｉｄｅｎｔｉ－
模型进行比较。结果表明：通过合理选取网络变量并优化光滑因子，ＧＲＮＮ模型能准确预测磁流变减振器的阻尼力
和控制电流，其正、逆模型辨识精度优于ＢＰＮＮ模型。此外，ＧＲＮＮ还具有结构简单、快速收敛等特点，为磁流变减
振器的准确建模与控制提供了重要手段。
Ｉｎａｄｄｉｔｉｏｎ，ＧＲＮＮｉｓａｌｓｏｓｉｍｐｌｅｉｎｓｔｒｕｃｔｕｒｅａｎｄｆａｓｔｉｎｃｏｎｖｅｒｇｅｎｃｅ，ｐｒｏｖｉｄｉｎｇａｎｉｍｐｏｒｔａｎｔｍｅａｎｓｏｆａｃｃｕｒａｔｅ
ｍｏｄｅｌｉｎｇａｎｄｃｏｎｔｒｏｌｆｏｒＭＲｄａｍｐｅｒ．
．
Ｋｅｙｗｏｒｄｓ：ＭＲｄａｍｐｅｒ；ｇｅｎｅｒａｌｉｚｅｄｒｅｇｒｅｓｓｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ；ｂａｃｋｐｒｏｐａｇａｉｔｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ；
ＷａｎｇＫａｎ。ＺｈｅｎｇＬｉｎｇ＆ＬｉｕＦｅｉ
ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｎｉｔｙ，ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＭｅｃｈａｎｉｃａｌＴｒａｎｓｍｉｓｓｉｏｎ，Ｃｈｏｎｇｑｉｎｇ４０００３０
ｉｎｇｆｏｒｃｅａｎｄｔｈｅｃｏｎｔｒｏｌｃｕｒｒｅｎｔｏｆＭＲｄａｍｐｅｒｗｉｔｈｍｏｄｅｌｉｄｅｎｔｉｉｃｆａｔｉｏｎａｃｃｕｒａｃｙｈｉｇｈｅｒｔｈａｎＢＰＮＮ— ｂａｓｅｄｍｏｄｅｌｓ．
王戡，郑玲，刘非
４０００３０）（重庆大学，机械传动国家重点实验室，重庆
’［摘要］根据磁流变减振器的非线性特性，提出磁流变减振器广义回归神经网络（ＧＲＮＮ）模型辨识方法，利用台架试验获取的力学特性数据，建立磁流变减振器广义回归神经网络正、逆模型，并与反向传播神经网络（ＢＰＮＮ）
ｉｆｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｇｅｎｅｒａｌｉｚｅｄｒｅｇｒｅｓｓｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＧＲＮＮ）ｉｓｐｒｏｐｏｓｅｄ．Ｂｙｕｓｉｎｇｔｈｅｍｅｃｈａｎｉｃａｌ
关键词：磁流变减振器；广义回归神经网络；反向传播神经网络；模型辨识
ＭｏｄｅｌＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＭＲＤａｍｐｅｒＢａｓｅｄｏｎＧｅｎｅｒａｌｉｚｅｄＲｅｇｒｅｓｓｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ
ｓｅｌｅｃｔｉｎｇｎｅｔｗｏｒｋｖａｉａｒｂｌｅｓａｎｄｏｐｔｉｍｉｚｉｎｇｓｍｏｏｔｈｆａｃｔｏｒｓ，ｔｈｅＧＲＮＮ・ｂａｓｅｄｍｏｄｅｌｃａｎａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅｄａｍｐ－