一种热工过程RBF神经网络模型辨识方法.pdf

一种热工过程RBF神经网络模型辨识方法.pdf

ID:57744354

大小:264.35 KB

页数:4页

时间:2020-03-27

一种热工过程RBF神经网络模型辨识方法.pdf_第1页
一种热工过程RBF神经网络模型辨识方法.pdf_第2页
一种热工过程RBF神经网络模型辨识方法.pdf_第3页
一种热工过程RBF神经网络模型辨识方法.pdf_第4页
资源描述:

《一种热工过程RBF神经网络模型辨识方法.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、一种热工过程RBF神经网络模型辨识方法钱磊,等一种热工过程RBF神经网络模型辨识方法ModeIIdentificationMethodofRBFNeuralNetworkforThermaIContro锻磊雌曰0(东南大学能源与环境学院,江苏南京210018)摘要:针对模型辨识中模型阶次难以辨识的问题,提出了一种RBF神经网络剪枝算法。基于该算法,对RBF神经网络隐节点和输入节点进行剪枝,不仅可以精简网络的结构,而且可以减少网络的输入节点,从而确定模型的阶次。同时,为了避免误删输入节点,在对输入节点

2、剪枝时,将过程的输入和输出分开剪枝。将该算法应用于热工过程辨识中,仿真结果表明,提出的基于RBF神经网络剪枝算法是有效的。关键词:热工过程模型辨识RBF神经网络剪枝算法灵敏度剪枝阶次辨识中图分类号:TP273;TH一39文献标志码:ADOI:10.16086/j.cnki.issnl000—0380.201601004Abstract:Inmodelidentification。themodelorderisdi佑eulttobeidentified。aimingatthisproblem-thep

3、runingalgorithmoftheRBFneuralnetworkisproposed.Basedonthis蛔tlIm。theimplicitnodeandtheinputnodeofRBFneuralnetworkarepruned-thissimplifiesthestructureofthenetwork-andreducestheinputnodes。thusthemodelorderCanbedetermined.Inaddition,toavoiddeletetheinputno

4、debymistake,thepruningforinputandoutputisseparated.Thealgorithmisappliedinidentificationofthermalprocess-theresultofsimulationindicatesthatthepruningalgorithmbasedonRBFnuralnetworkiseffective.Keywords:ThermalprocessModelidentificationRBFneuralnetworkPr

5、uningalgorithmSensitivityprimingOrderidentification0引言过程辨识中,首先需要解决模型的阶次问题。对于单输入单输出(singleinputsingleoutput,siso)过程的阶次辨识问题,有包括Hankel矩阵判秩法、行列式比法等几种基本的阶次辨识方法uJ,以及如文献[2]提出利用数值计算的方法分析模型的阶次。但这些方法计算都比较繁琐,且都不是通用的方法。RBF神经网络广泛用于非线性建模,但网络结构只能靠经验确定,其大小将直接关系到神经网络的泛

6、化能力¨-。剪枝算法是获得满足精度要求的最小网络结构的有效途径,但是各种剪枝算法都存在明显的缺陷。文献[4]将粗糙集的理论引入到RBF网络的剪枝中,获得了比较好的效果,但其只对隐节点进行了剪枝,没有对输入节点进行精简。本文提出了一种RBF神经网络剪枝算法,对网络的隐节点和输入节点进行剪枝,确定模型阶次的同时精简网络的结构。在对输入节点进行剪枝时,采用分开剪枝的策略,即对输入节点中的过程输入和输出分别进行剪枝,这样就能避免误删输入节点。最后将该算法应用到热工过程中,仿真结果表明该方法是有效的。修改稿收

7、到日期:2015—04—21。第一作者钱磊(1990一),男,现为东南大学动力工程及工程热物理专业在读硕士研究生;主要从事热工过程自动控制方面的研究。《自动化仪表》第37卷第1期2016年1月1基于RBF神经网络的剪枝算法由于RBF神经网络的初始节点的选择没有固定的公式,只能靠经验选取,模型的精度无法保证;同时所建立的模型一般都存在不重要的、冗余的节点,这严重影响着网络的泛化能力。灵敏度剪枝算法是先估计网络的各个节点(输入节点和隐节点)的灵敏度,即该节点对于误差函数的重要程度,然后按照一定的规则删除

8、那些灵敏度较小的节点。单输出RBF网络结构如图1所示。士“而一qIl图1RBF神经网络结构图Fig.1StructureofRBFneuralnetwork●使用传统的Skeletonization方法计算灵敏度时,使用了工程近似的方法,使用效果不稳定。在此,通过将误差函数使用泰勒级数展开,舍去高阶无穷小项,保留二阶导数计算灵敏度口]。本文考虑对隐节点、输入节13一种热工过程RBF神经网络模型辨识方法钱磊,等点进行剪枝,引入重视程度系数,分别表示隐节点、输入节点对网络

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。