ISSNONLINE(2278-8875)PINT (2320-3765)
桑托什库马尔贝赫拉一号德巴拉杰拉2 |
相关文章at普梅德,学者谷歌 |
访问更多相关文章电气电子工程高级研究国际杂志
系统识别问题可编译为优化任务,目的是查找模型和一组参数,以最小化测量数据与模型输出之间的预测误差现有系统识别方法高度分析并基于系统模型数学衍生系统识别是最有趣的适应算法应用由强健性演算和演算简单性组成基于误差信号,过滤器系数更新校正,以便适配,输出信号的值与引用信号相同拟方法适合非线性系统识别
关键字 |
系统识别,神经网络,RNN,激活函数 |
导 言 |
过去几年内,提出了数种不同的算法来识别线性或非线性系统,这些算法使用对系统的不同知识形式。算法是自适应滤波算法,使用独立构件分析识别系统,该算法将信号与噪声观察分离,假设信号和噪声独立[7]并观察使用连续时神经网络识别非线性系统的方法,即为非线性系统类开发系统输入输出信号识别算法分两个阶段:(i)预处理系统输入和输出数据以估计所选模型坐标状态变量神经网络参数估计[9]网络处理神经网络基础结构、神经网络能力并显示神经网络应用系统识别动机[1]识别未知系统一直是控制、通道均衡化、通信网络回声取消和电话会议等各种应用领域的一个中心问题方法建议表示系统识别通过调整参数在特定模型内执行,直到输出对特定输入与系统测量输出对同输入同时并发系统hs识别ed后,i ts输出可预测for输入系统通常这是系统识别问题PIMARY目标 |
系统识别是调查和理解世界的重要方式识别过程生成数学模型 预定义世界部分使用观察系统识别有几种不同方法,这些方法使用系统知识的不同形式系统识别过程确定模型或运动方程系统识别的主要目的是确定物理或动态系统数学模型供观察数据使用过程开发或数学表示 物理系统使用实验数据系统识别技术可同时使用输入输出数据或仅包括输出数据[2]系统识别过程用观察数据生成系统数学模型建模是探索、学习和理解世界的非常重要方式系统建模三大原则必须加以考虑,如分离、选择和解析[10]最可能的假设最简单和所有观察一致 |
系统识别是控制、通信、电源系统及仪表等获取系统模型或新开发系统的基本要求开发控制法分析故障诊断等系统识别问题并基于输入输出数据样本确定系统鉴别任务确定有限维参数的适当估计选择估计基础是比较实际输出样本和预测值 |
![]() |
二.神经网络 |
神经网络分布式信息处理系统由大量高度互连或相似简单处理单元组成,这些处理单元按局部处理并按序排列表层排列网络的一个重要特征是自适应性,这意味着知识从环境获取,过程称为学习神经网络建设使用迭代过程,而不是应用计算设备常规构造步骤由大量高度互连处理元件组成,协同解决具体问题神经网络区域可能属于人工智能接近算法边界视之为算法sNNs使用通用近似值(图输入输出),工具从环境学习,工具查找数据间非显性依赖性等 |
神经网络通常分层组织层由数个互连节点组成,内含“激活函数”。模式通过输入层向网络显示,该输入层通信到一个或多个隐藏层,实际处理通过加权连接系统完成隐藏层再链接输出层图2显示 |
![]() |
神经网络与生物神经网络相似,集体并平行执行功能,而不是清晰划分子任务分配各种单元[12]名词Neal网络通常指统计学、认知心理学和人工智能中使用模型神经网络模型类比中枢神经系统是理论神经科学和计算神经科学的一部分神经网络是不同的计算范式 |
VonNeumann机基础处理/模拟提取人类信息处理 |
神经网络基础平行动物脑结构 |
神经网络是一种多处理器计算机系统形式,并带 |
简单处理元素 |
高层次互连 |
QQS简单标量消息 |
QQQ调适元素间交互 |
神经网络使用几小相差基本神经元,然而系统建模使用神经网络通常应用两个基本处理元件首先是感知器,二是基础函数神经元感知器非线性神经元模型今日工程应用中使用NN模型结构非常泛,允许使用各种非线性函数 |
A.循环神经网络 |
复发网络反馈网络部分输出连接输入与我们迄今研究的网络大相径庭,这些网络严格向前提供无后向连接图3[18]显示一种离散时复用网络 |
![]() |
a(0)=p(t+1)=satlins(wa(t)+b) |
在此网络中矢量P提供初始条件(即a(0)=P |
![]() |
复用网络比前向网络有更大的潜在威力并显示时间行为循环神经网络产生网络内部状态 允许它显示动态时间行为 |
三.提议方法 |
拟识别系统结构显示于图1中参考RNN识别流程图建议如下: |
![]() |
A.非链式系统标识 |
识别非线性系统时,我们在此考虑常态神经网络监督学习方法[6]在此,我们视系统为 |
Y(t)=(-0.9y(t-1)+x(t-1)/ |
辨识上层系统, 我们计算出两层隐形图层 内存层各有10个神经元学习参数为0.5igmoid函数激活 |
fx=1/ |
提供定级非线性响应权值随机初始化并在每个迭代中更新[11]随机重迭500次 系统识别成功结果 |
.b.LINEAR系统识别 |
线性系统识别方面, 我们建议像非线性系统一样架构, 并使用相同的学习方法 |
在此,我们视系统为 |
Y(t)=x(t)+x(t-1)-0.03x(t-1)(4) |
并思考两层隐形图层 内分层10个神经元例权值随机初始化更新自身,千次迭代后系统识别 |
四.结晶 |
A.非系统标识符: |
![]() |
培训阶段系统与RNN输出图5显示显示输出50迭代系统输出与RNN输出错误显示于图6中最大误差为 0.05图7显示一元错误,表示系统识别约300迭代测试阶段期间RNN和系统输出图-8显示,对应错误图-9显示发现测试阶段发现最大误差约1.0 |
A.LINEAR系统标识 |
![]() |
隐藏层2数,神经元N1=N2=10数,学习参数nn=0.2显示输出50迭代 |
系统输出与RNN输出错误显示于图11中最大误差为 0.6图12显示一元误差,表示系统识别约800迭代测试阶段期间RNN和系统输出图-13显示,对应错误图14显示发现测试阶段发现最大误差约0.5 |
V级结论 |
识别两个系统的工作已经完成, 我们建议 RNN自适应算法识别线性系统和非线性系统构件结构由2层隐藏,每个层有10个神经元从结果本身证明拟议方法适合识别非线性系统报错表示识别正确性未来,我们计划确定更多系统并开发彼此间的比较分析 |
引用 |
|