人工神经网络系统辨识综述摘要：当今社会，系统辨识技术的进展逐渐成熟，人工神经网络的系统辨识方法的应用也越来越多，遍及各个领域。首先对神经网络系统辨识方法与经典辨识法进行对比，显示出其优越性，然后再通过对改进后的算法具体加以说明，最后展望了神经网络系统辨识法的进展方向。关键词：神经网络；系统辨识；系统建模0 引言随着社会的进步,越来越多的实际系统变成了具有不确定性的复杂系统，经典的系统辨识方法在这些系统中应用，体现出以下的不足:（1）在某些动态系统中,系统的输入常常无法保证，但是最小二乘法的系统辨识法一般要求输入信号已知，且变化较丰富。（2）在线性系统中，传统的系统辨识方法比在非线性系统辨识效果要好。（3）不能同时确定系统的结构与参数和往往得不到全局最优解，是传统辨识方法普遍存在的两个缺点。随着科技的继续进展，基于神经网络的辨识与传统的辨识方法相比较具有以下几个特点:第一，可以省去系统机构建模这一步，不需要建立实际系统的辨识格式；其次，辨识的收敛速度仅依赖于与神经网络本身及其所采纳的学习算法，所以可以对本质非线性系统进行辨识;最后可以通过调节神经网络连接权值达到让网络输出逼近系统输出的目的；作为实际系统的辨识模型，神经网络还可用于在线控制。1 神经网络系统辨识法1.1 神经网络人工神经网络迅速进展于 20 世纪末，并广泛地应用于各个领域，尤其是在模式识别、信号处理、工程、专家系统、优化组合、机器人控制等方面。随着神经网络理论本身以及相关理论和相关技术的不断进展，神经网络的应用定将更加深化。神经网络，包括前向网络和递归动态网络，将确定某一非线性映射的问题转化为求解优化问题，有一种改进的系统辨识方法就是通过调整网络的权值矩阵来实现这一优化过程。1.2 辨识原理选择一种适合的神经网络模型来逼近实际系统是神经网络用于系统辨识的实质。其辨识有模型、数据和误差准则三大要素。系统辨识实际上是一个最优化问题,由辨识的目的与辨识算法的复杂性等因素决定其优化准则。通过建立系统的依赖于参数的模型,把辨识问题转化为对模型参数的估量问题，是传统的辨识算法。这类算法较成功的应用于线性系统或本质线性系统。神经网络用于系统辩识的一个优点是它不需要预先建立实际系统的辩识,它对系统的辩识过程就是直接学习系统的输入输出数据的过程。一般的,基于输出误差的神经网络辩识原理如图 1 所示。1.3 人工...
