基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法

被引：5

作者：

于开平

牟晓明

机构：

[1] 哈尔滨工业大学航天学院

来源：

振动与冲击 | 2009年 / 28卷 / 06期

关键词：

非线性时变系统; 多层前向神经网络; 系统辨识; 改进递推最小二乘算法;

D O I：

10.13465/j.cnki.jvs.2009.06.045

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

标准的递推最小二乘算法随着递推次数的增加,增益矩阵将逐渐趋于零,致使递推算法慢慢失去修正能力,出现所谓的"数据饱和"现象。为了克服"数据饱和"问题,首先对递推最小二乘算法进行改进,得到了改进的最小二乘算法(IRLS),并给出了收敛性证明,然后将该算法应用于基于前向神经网络的非线性时变系统辨识。通过对两个非线性时变系统进行有效验证,仿真结果表明本文算法计算精度高、计算速度快、数值稳定性好,并能有效克服"数据饱和"。

引用

收藏

页码：107 / 109+144+198 +144

页数：5

相关论文

共 11 条

[1] 利用NARMA模型辨识非线性时变结构系统 [J].

庞世伟 ;

于开平 ;

邹经湘 .

哈尔滨工业大学学报, 2008, (01) :12-16

[2] 基于前向神经网络的时变非线性结构系统辨识快速递推最小二乘法 [J].

于开平 ;

董好志 .

振动工程学报, 2007, (05) :468-472

[3] 基于时变NARMA模型的非线性时变系统辨识 [J].

庞世伟 ;

于开平 ;

邹经湘 .

工程力学, 2006, (12) :25-29

[4] 基于小波包分解的非线性时变系统辩识 [J].

罗晓 ;

陈耀 ;

孙优贤 .

高校应用数学学报A辑(中文版), 2004, (01) :51-56

[5] 基于回归神经网络的非线性时变系统辨识 [J].

邹高峰 ;

王正欧 .

控制与决策, 2002, (05) :517-521

[6] 多层前向神经网络的RLS修正训练算法 [J].

胡云安 ;

吴光彬 .

系统工程与电子技术, 2000, (01) :77-80

[7] 关于鞅超收敛定理与遗忘因子最小二乘算法的收敛性分析 [J].

丁锋 ;

杨家本 .

控制理论与应用, 1999, (04) :569-572

[8] 多层前向神经网络的RLS训练算法及其在辨识中的应用 [J].

谭永红 .

控制理论与应用, 1994, (05) :594-599

[9] Subspace identification for non-linear systems with measured-input non-linearities [J].

Lacy, SL ;

Bernstein, DS .

INTERNATIONAL JOURNAL OF CONTROL, 2005, 78 (12) :906-926

[10] Real-time performance evaluation of the minimal radial basis function network for identification of time varying nonlinear systems [J].

Leong, TK ;

Saratchandran, P ;

Sundararajan, N .

COMPUTERS & ELECTRICAL ENGINEERING, 2002, 28 (02) :103-117