人工神經網絡改進精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經網絡改進主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡改進范文

關鍵詞: 人工神經網絡BP算法改進BP算法倒立擺小車

1.引言

倒立擺系統是時變的、非線性、多變量和自然不穩定系統,在控制過程中,它能有效地反映可鎮定性、魯棒性、隨動性和跟蹤等許多控制中的關鍵問題,是檢驗各種控制理論的理想模型。人工神經網絡BP算法,在多變量輸入情況下具有精度高、實現快、算法簡單、魯棒性好等優點,從而滿足了系統的要求[1]。

2.人工神經網絡BP算法簡介

人工神經網絡(ANN)由于具有信息的分布存儲、并行處理和自學習能力等優點,在信息處理、模式識別、智能控制等領域得到了越來越廣泛的應用。近年來,已有多種ANN模型被提出研究,80%―90%的人工神經網絡模型是采用BP網絡或其改進形式,它是前向網絡的核心部分,體現了網絡最精華的部分[2]。標準的BP網絡是根據Widrow―Hoff規則,采用梯度下降算法,主要由信息信號的正向傳播和誤差信號的反向傳播兩部分組成。

但BP網絡存在需較長的訓練時間、收斂于局部極小值等缺點,為此人們對BP算法進行了許多改進。改進主要有兩類:一類采用啟發式技術,如附加動量法、自適應學習率法;另一類是采用數字優化技術,如共軛梯度法、擬牛頓法、Levenberg―Marquardt(LM)法[3]。由于LM算法收斂速度最快,精度較高,且經過大量仿真實驗分析比較,LM效果最好,故我們采用LM法對網絡進行訓練。

LM優化方法權重和閾值更新公式[4]為:

其中J為誤差對權值微分的雅可比矩陣,e為誤差向量,μ為一個標量。依賴于μ的幅值,該方法光滑地在兩種極端情況之間變化,即牛頓法(當μ0)和著名的最陡下降法(當μ∞)。

3.神經網絡控制器設計

3.1訓練樣本的選取

BP神經網絡在未經任何訓練的情況下,不能作為系統控制器使用。在實際仿真過程中,我們選擇極點配置控制為BP網絡的教師進行學習,經過試探訓練,樣本數為2000時結果較為合理,此時樣本數據能夠反映系統的基本特征,可以得到預期的仿真結果。極點配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。

3.2 BP網絡結構

BP網絡設計時,增加層數主要可以進一步降低誤差,提高精度,但卻使網絡復雜化。而增加隱含層的神經元數也可提高誤差精度,且訓練效果更易觀察和調整。為了使誤差盡可能小,我們要合理選擇初始權重和偏置,如果太大就容易陷入飽和區,導致停頓,一般應選為均勻分布的小數,介于(-1,1)。

根據需要,在網絡初始化時,BP采用0.5*Rands函數初始化權值,權值初始值選在(-0.5,0.5),選取訓練目標誤差為0.0001,訓練次數上限為5000次。通過多次仿真實驗性能比較,選取[4 9 1]的單隱層神經網絡結構,隱含層、輸出層分別采用Tansig、Purelin函數,仿真實驗表明變學習率訓練算法訓練時間長,5000次還不能達到所要求的精度,且系統容易發散,控制倒立擺效果不好,采用改進的LM訓練算法對網絡進行學習訓練可以得到較好的控制效果且訓練時間短。在實際仿真過程中,BP網絡經過53次訓練即達到了訓練目標。

4.BP網絡訓練結果

圖1分別給出了倒立擺小車位移、擺角和控制力的BP算法與極點配置算法仿真曲線對比圖,仿真結果表明:相較極點配置,BP算法精度高、實現快、魯棒性好,倒立擺小車在BP算法下只需2.5s左右就可以達到所設定精度的穩定效果,且超調量很小,滿足了系統的要求。

5.結論

通過對人工神經網絡BP算法的分析,筆者進行了倒立擺小車改進BP算法的控制系統仿真實驗。仿真表明該改進BP算法收斂性好、計算量小,尤其在非線性和魯棒控制等領域具有良好的應用前景。BP神經網絡從理論上可以逼近任意非線性函數,所以它特別適合控制像倒立擺這樣的嚴重非線性、多變量系統。

參考文獻:

[1]于秀芬,段海濱,龔華軍.基于人工神經網絡BP算法的倒立擺控制研究[J].測控技術,2003,22(3):41-44.

[2]張志華,朱章森,李儒兵.幾種修正的自適應神經網絡學習算法及其應用[J].地球科學,1998,23(2):179-182.

[3]蘇高利,鄧芳萍.論基于Matlab語言的BP神經網絡的改進算法[J].科技通報,2003,19(2):130-135.

第2篇：人工神經網絡改進范文

>> 大規模自組織人工神經網絡技術在智能建筑中的應用方法研究 基于自組織增量神經網絡的碼書產生方法在圖像分類中的應用 基于Matlab的自組織神經網絡在油氣層識別中的應用研究 基于自組織競爭神經網絡的地震預測 自組織競爭網絡在測井資料巖性識別中的應用 自組織特征映射網絡在探地雷達數據處理中的應用 氣體識別自組織神經網絡 一種基于自組織過程神經網絡的動態樣本半監督學習算法 自組織灰色神經網絡中的基于電力系統短期負荷預測方法應用研究 基于自組織映射神經網絡的邊坡樣本分析方法 基于SOM神經網絡技術的區域卷煙消費狀態自組織分類 人工神經網絡模型在水動力模型數據缺失中的應用 基于人工神經網絡的數據挖掘技術在臨床中應用進展 自組織特征映射網絡在壓縮編碼設計中的應用 液壓控制系統中自組織雙模糊神經網絡控制模型關鍵點研究 淺談人工神經網絡在林業中的應用 人工神經網絡在空調系統中的應用 一種改進的動態二叉樹的自組織神經網絡算法 基于SOM神經網絡技術的卷煙零售客戶自組織分類 基于自組織神經網絡SOM的汽車安全氣囊裝配故障診斷 常見問題解答 當前所在位置：百度百科 移動學習2012-12-7

[2] 葉成林 徐福蔭 許駿 移動學習研究綜述 電化教育研究 2004 No.3

[3] 陳偉超 國內移動學習研究現狀及發展建議[J].中國電力教育，2009 No.9

[4] 詞匯語義知識庫淺述 劉興林 福建電腦 2009 No.9

第3篇：人工神經網絡改進范文

關鍵詞：山區高速公路；填石路堤；人工神經網絡；沉降

中圖分類號：U412.36+6文獻標識碼： A

1 引言

在山區高速公路修筑中，存在大量的石質挖方路段和隧道路段，怎樣利用大量的石質填料填筑路堤，使其不出現工程質量事故，同時避免一方面大量借石填筑路堤，另一方面又造成大量的石質棄方占用農田耕地的不合理現象，成為山區高速公路建設中迫切需要解決的問題。在高等級公路逐漸進入山區的今天，在云南省乃至全國范圍內還將遇到更多的填石路堤修筑技術問題。填石路堤的壓實工藝和檢測手段及檢測標準，粗粒料的壓實特性，填石路堤的沉降、穩定性評價是填石路堤面臨的主要難題[1]。

2 沉降分析方法

本文采用神經網絡方法對某山區高速公路填石路堤沉降進行分析計算，以便科學合理的評價公路填石路堤穩定性與沉降規律。

2.1神經網絡模型

BP神經網絡通常是指基于誤差反向傳播算法（BP算法）的多層前向神經網絡，它是目前應用最廣泛也是發展最成熟的一種神經網絡模型，它是按層次結構構造的，包括一個輸入層、一個輸出層和一個或多個隱藏層（圖中只畫出一層），一層內的節點（神經元）只和與該層緊鄰的下一層各節點相連。這個網絡學習過程由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層經隱藏層逐層處理，然后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到希望的輸出，則轉向反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小[2]。

網絡學習的過程首先從給出一組隨機的權值開始，然后選取學習樣本集中的一個模式（輸入和期望輸出對）作為輸入，接著按前饋方式計算輸出值。這時的輸出值和期望值之間的誤差一般比較大，這就迫使權值必須改變。利用反向傳播過程，計算所有的權值的改變量。對所有的模式和所有的權值重復計算，修正權值后又以前饋方式重新計算輸出值。實際輸出和目標輸出之間的偏差和權值改變量又一次在計算中產生。在學習樣本中的所有模式進行計算后得到一組新的權值，在接下來的前饋過程中便得到一組新的輸出值，如此循環下去。在一次成功的學習中，系統誤差或單個輸入模式的誤差將隨著迭代次數的增加而減小，而過程將收斂到一組穩定的權值。

實際上，BP模型把一組樣本的輸入輸出問題變為一個非線性優化問題。我們可以把這種模型看成一個從輸入到輸出的映射，這個映射是高度非線性的。如果輸入節點數為n，輸出節點數為m，則神經網絡表示的是從n維歐式空間到m維歐式空間的映射。

2.2 神經網絡模型的改進

BP算法的主要缺點是：收斂速度慢、局部極值、難以確定隱層和隱層節點的個數。在實際應用中，BP算法很難勝任，因此出現了許多改進算法。BP算法的改進主要有兩種途徑：一種是采用啟發式學習算法，另一種則是采用更有效的優化算法。

啟發式學習算法，就是對于表現函數梯度加以分析，從而改進算法，其中包括：有動量的梯度下降法（traingdm）、有自適應lr的梯度下降法（traingda）、有動量和自適應lr的梯度下降法（traingdx）和能復位的BP訓練法（trainrp）等。另一種是基于數值最優化理論的訓練算法，其中包括共軛梯度法、高斯－牛頓法和Levenberg-Marquardt方法等。

本文采用共軛梯度法進行改進。共軛梯度法是梯度法的一種改進方法，可以改進梯度法振蕩和收斂性差的缺陷。其基本思路是尋找與負梯度方向和上一次搜索方向共軛的方向作為新的搜索方向，從而加快訓練速度，并提高訓練精度。所有的共軛梯度法，都采用負梯度方向作為初始搜索方向：

然后沿著該方向作一維搜索：

接下來，就利用共軛方向作為新一輪的搜索方向，通常在當前負梯度上附加上一次搜索方向：

共軛梯度法通常比自適應lr的梯度下降法速度快，有時候也優于彈性梯度下降法。同時由于共軛梯度法占有較少的存儲空間，因此在訓練復雜網絡的時候，通常選用共軛梯度法[3]。

2.3程序的實現

本文采用Matlab，進行程序的編制，算法如下：

%%神經網絡預測_BP神經網絡模型

% n：原始數據個數 x：填石路堤沉降實測值 y：填石路堤沉降預測值

clc;clear all;

clf;

%%讀數據；

load x1.txt;load x2.txt;

P=x2;x=x1;

%%NEWFF——生成新的線性神經網絡

%%TRIAN——對線性神經網絡進行訓練

%%SIM——對線性神經網絡進行仿真

%P——為輸入矢量；

%x——為目標矢量；

%創建網絡

net=newff(minmax(P),[1,1],{'tansig','purelin'},'traingdm');

%當前網絡層的權值與閾值

layerWights=net.LW{2,1};

layerbias=net.b{2};

%設置訓練參數

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.mc=0.9;

net.trainParam.epochs=100;

net.trainParam.goal=0.1;

%%對BP神經網絡進行訓練

[net,tr]=train(net,P,x);

%對線性網絡進行仿真

y=sim(net,P);

y

x

3 填石路堤沉降計算分析結果

以現場監測數據與網絡預測值進行比較如表1所示。應用該模型進行預測精度很高，這進一步證明了該BP神經網絡擬合效果好，泛化能力強，收斂快。所以，該法在填石路堤最終沉降預測中十分有效和可行。

表1 網絡預測與實際值比較

4 結輪

本文將人工神經網絡引入到填石路堤的沉降計算，利用實測資料，直接建模，更好的反映了填石路堤的沉降規律，工程實例研究表明，網絡預測值與實測值吻合較好，可信度較高，并且隨著學習樣本的不斷補充，網絡的預測精度將進一步提高。

（1）一個良好的神經網絡模型，可以不斷學習，使求解的范圍不斷擴大，同時人工神經網絡的抗干擾能力較強，個別測點的誤差將不會對結果產生大的影響。

（2）工程實例研究表明，實測值與神經網絡預測值吻合較好，但也有個別點偏差較大，主要原因是訓練的數據太少，隨著訓練數據的增加，網絡的預測精度還會進一步提高。

（3）人工神經網絡方法避免了傳統方法的許多弊病，具有自組織、自適應、容錯性等特點，計算精度高，操作簡便，適應性強，因而具有廣闊的工程應用前景。

參考文獻：

第4篇：人工神經網絡改進范文

[關鍵詞] BP神經網絡 圖像分類 Matlab 自適應特征因子 收斂速度 精度

中圖分類號：P23 文獻標識碼：A 文章編號：1009-914X（2014）07-0321-03

1.引言

衛星遙感對地觀測技術是人類獲取資源環境動態信息的重要手段，無論是專業信息提取、動態變化預測、還是專題地圖制作和遙感數據庫的建立等都離不開分類。在數學方法的引入和模型研究的進展為影像的分類注入了新的活力，不同的數學方法和參數特征因子被引用到模型的研究上來，為模型研究的發展提供了廣闊的天地。而基于改進的BP神經網絡，更是融合了自適應特征因子和非線性函數逼近的網絡模型，不僅學習速度快，而且有高度復雜的映射能力。

2.人工神經網絡的分類方法

人工神經網絡（Artificial Neural Network， ANN ）是基于生物神經系統的分布存儲、并行處理及自適應學習這些現象構造出具有一些低級智慧的人工神經系統【1】。其概念是在20世紀40年代中期由McCulloch和Pitts提出的，70年代得到應用，80年代以來，隨著計算機技術的發展而得到了快速的發展，屬于非線性學科，具有強抗干擾性、高容錯性、并行分布式處理、自組織學習和分類精度高等特點。

近年來，神經網絡被廣泛應用于遙感圖像分類中，不同學者分別提出或應用了Hopfield神經網絡、BP網絡、自組織映射網絡、小波神經網絡、細胞神經網絡、模糊神經網絡等對遙感圖像進行分類【2】。這些神經神經網絡在遙感圖像自動分類上都有一定的應用，并取得較好的效果。本文基于此，對傳統的BP算法進行了改進，提出了在Matlab軟件提供的神經網絡工具箱中，對BP神經網絡的權值，學習率進行分析。重點是運用數學中自適應特征因子，加快了迭代過程中的收斂速度，而且使精度更高。

3.BP神經網絡

BP神經網絡是一種通用性較強的前饋網絡，它主要采用模式正向傳遞、誤差信號反向傳播的BP算法，實現輸入到輸出的映射，并且是非線性的，具有結構簡單、可操作性強等優點，目前已被廣泛應用【3】。

3.1 BP算法原理

學習過程由信號的正向傳播與反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符合時，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此信號作為修正各單元權值的依據。

3.2 BP學習率的優化算法分析

為了加快神經網絡的學習速度，對學習率的改進是BP算法優化的重要部分。因為BP算法是不斷通過調整網絡權值進行訓練學習的，修正的大小受到學習率的控制，因此學習率的改進對整個網絡的優化是很重要的。為了加快學習速度，研究者提出了很多的優化學習率算法，劉幺和等提出的具體優化公式為[4]： η=Ae-λn. （1）

此算法優于學習率固定的傳統BP算法，減少了網絡學習過程中的學習次數，但同樣存在著其它問題，首先，模型中A的取值范圍并不適用于所有神經網絡，由于它的取值決定了網絡學習率的初始值，通過A確定的網絡初始學習率可能使網絡不收斂。其次，當網絡誤差下降速度快時，該算法反倒使網絡收斂速度比較慢，這說明此時網絡不適應這種情況。

在上述模型中，陳思依據可變學習率的變化，提出了另一改進模型，此方法的思想是，如果網絡權值在實際情況中更新之后使誤差值減小，此時就沒有必要再減少學習率，如果保持原學習率不變，不僅增加了訓練速度，而且修改權值的幅度會大些，訓練效果會更好一些。改進后的模型為[5]：

此算法優點是如果誤差下降速度明顯增快，則說明此時的學習率比較合適訓練，不需調整。

面對現代科技的飛速發展，國內外競相發展以高空間、高光譜和高動態為標志的新型衛星遙感對地觀測技術，提供了海量的信息源，加大了人們對空間的認知，對信息世界的分類利用，但是人們的優化算法遠遠跟不上豐富的信息源。對此，針對上面學習率算法，雖然有很大的改進，但處理速度還遠遠不夠，還需要優化。

3.3 網絡隱層的節點數確定

BP人工神經網絡拓撲結構中，輸入節點與輸出節點是由問題的本身決定的，關鍵在于隱層的層數與隱節點的數目，在Robert Hecht Nielson等人研究指出，只有一個隱層的神經網絡，只要隱節點足夠多，就可以以任意精度逼近一個非線性函數【6】。

因此隱節點的確定關系到整個網絡的處理，下面是關于隱節點數確定的的方法：

其中Hpi隱節點i在學習第p個樣本時輸出，Hpj是隱節點j在學習第p個樣本時的輸出，N為學習樣本總數，而Hpi與Hpj的線性相關程度愈大，互相回歸的離散度越小，反之，則相反。

當同層隱節點i和j的相關程度大，說明節點i和j功能重復，需要合并；當樣本散發度Si過小，說明隱節點i的輸出值變化很少，對網絡的訓練沒起到什么作用，可以刪除。因此根據這樣規則可以進行節點動態的合并與刪除。

4.特征因子算法加入

神經網絡在遙感圖像分類中的優勢越來越明顯，很多人對其進行了研究與應用。對此，本文對前人的算法進行了優化，主要是進行網絡權值修正速度的加速，在算法優化中，引入了數學中的特征因子加速收斂方法，其保證精度下，使網絡的迭代收斂速度大大加快。

具體算法思想過程如下：在BP神經網絡學習階段，當遙感圖像的特征樣本數據由輸入層到隱含層，然后再傳輸到輸出層，最后得到的輸出數據與目標數據會產生誤差，然后在返回到隱含層來調整網絡權值，直至誤差達到所要求的精度范圍為止。在迭代過程中，為了使誤差迅速減小到精度范圍內，特征因子算法被引入到網絡權值調整上：

在第一次迭代 ：

其中x0為輸入向量，y1為第一次輸出向量，T為目標向量，第一次迭代生成的T1為目標向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標向量T的近似值。在運用特征因子迭代收斂加速方法中，比以往的算法得到優化，加速了網絡權值調整的收斂速度，且使結果的精度得到保證。

5.實驗過程與精度評定

本次實驗是在Matlab環境下開發的神經網絡工具箱中來進行展開的，神經網絡工具箱是MATLAB環境下開發出來的許多工具箱之一。它以人工神經網絡理論為基礎，利用MATLAB編程語言構造出許多典型神經網絡的框架和相關的函數【7】。此工具箱可以用來對BP神經網絡訓練函數的創建，下面是具體的實驗過程：

（1）選取QuickBird衛星影像，在影像上選取各類別的特征樣本，要求樣本數量得足夠多。然后進行特征選取，一般是選取象元的多光譜特征的特征向量，以此確定特征矩陣p。為了方便在訓練階段的學習，需把向量值歸一化，在根據特征向量，確定輸入層節點數為5。

（2）進行BP神經網絡的構建，其中隱層網的節點數是根據前面提到的方法，節點數經過合并與刪除之后最終確定為25；根據待分類影像的類別分別是公路用地、內陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫水面、采礦用地、城市、村莊、水澆地、設施農用地、建制鎮、果園、灌木林地、風景名勝及特殊用地、其他林地、其他草地，輸出層節點數確定19；目標向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示內陸灘涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水庫水面

以此類推直到最后類別的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

調用Matlab神經網絡工具箱中的函數，另外為了加入特征因子算法，需要創建網絡的權值學習函數learnc，p1是輸入訓練樣本，p2是輸入未知樣本向量。部分代碼如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基礎上，進行訓練學習。創建的網絡權值函數加入特征因子后，在學習階段收斂速度明顯增快 。使調整后的網絡權值盡快達到了用戶設定精度范圍。

（4）學習階段完成后，開始進行分類階段。把未分類的QuickBird衛星影像的特征向量值輸入到神經網絡中，進行分類，根據輸出向量y與目標向量T進行對比，然后把象元分類到自己所屬的類別區。直到影像被分類完為止。

（5）分類結果圖如下：

（6） 下面是對分類結果進行精度評定，采用誤差矩陣法來評定精度。總體精度可達到93.89%，其他各個類別的用戶精度和生產者精度都很高，最低的不低于82.43%，滿足用戶的需求，達到使用的目的。

6.結束語

BP神經網絡的非線性映射，自適應功能等優勢已在遙感圖像分類中得到廣泛的應用，本文基于前人的優化算法，提出了在網絡權值調整過程中的特征因子迭代加速算法，使學習階段的權值調整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續研究改進的方向。

參考文獻

[1] 葉世偉 史忠植（譯） 神經網絡原理 北京：機械工業出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科學[M].北京：清華大學出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經網絡學習率的優化設計[J].湖北工業大學學報，2007，22（3）：1-3.

[5] 陳思 一種BP神經網絡學習率的改進方法[J].長春師范學院學報（自然科學版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經網絡自適應學習算法的建立及其應用[J].系統工程理論與實踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統分析與設計---神經網絡》. 西安：西安電子科技大學出版社，2000.8.23-40

第5篇：人工神經網絡改進范文

關鍵詞：移動機器人；BP神經網絡；軌跡跟蹤控制

引言

人工神經網絡使非線性系統的描述成為可能，并且在學習、記憶、計算和智能處理方面表現出了很強的優越性。人工神經網絡具有如下特點：(1)可以按照指定的精度無限逼近幾乎各種復雜的非線性系統，解決了非線性系統的建模問題；(2)信息采用分布式存儲和處理方式，使得神經網絡具有很高的運算效率和很強的容錯性和魯棒性； (3)可以自行調節參數和結構實現自學習的目的以完成某項任務。（4）人工神經網絡具有強魯棒性和適應性，高可靠性以及智能性，為解決高維數、非線性、強干擾、時滯和不確定系統問題開辟了新思路并提供了方法，它在控制領域將具有舉足輕重的地位。

1 BP神經網絡

BP網絡的學習過程分為兩個階段：第一個階段是輸入已知學習樣本，通過設置的網絡結構和前一次迭代的權值和閾值，從網絡的第一層向后計算各神經元的輸出。第二階段是對權值和閾值進行修改，從最后一層向前計算各權值和閾值對總誤差的影響(梯度)，據此對權值和閾值進行修改。以上兩個過程反復交替，直到達到收斂為止。由于誤差逐層往回傳遞，以修正曾與層間的權值和閾值，所以稱該算法為誤差反向傳播算法。這種誤差反傳學習算法可以推廣到若干個中間層的多層網絡，因此該多層網絡常稱之為BP網絡。

BP神經網絡根據每次的訓練樣本對權值進行修正，即使是在訓練樣本差別不大的情況下，各個神經元之間的連接權值也要重新經過計算進行修正。這在訓練樣本維數不大的情況下計算時間不會有很大差別，但是在實際應用中，往往所要訓練的數據都是極為復雜和龐大的，神經元個數也許是幾十個或幾百個，如果每個新的樣本數據都要重新經過計算進行權值修正，尤其在兩個樣本數據整體均方誤差和很小或絕大部分數據完全一樣個別數據差別較大的情況下，這樣就會增加重復的不必要的計算量，大大浪費計算時間，降低權值調整效率，難以滿足實時性要求。針對以上問題，提出了一種改進的BP神經網絡。它通過把傳統BP神經網絡根據其規模分割成若干更小的子網分別進行訓練來達到提高計算效率的目的

2 基于改進的BP神經網絡的軌跡跟蹤

移動機器人的控制器設計問題可以描述為：給定參考位置和參考速度，為執行力矩設計一個控制法則，控制機器人移動，使其平穩地跟蹤速度輸入和參考位置。

2.1基于后退算法的運動學控制器設計

根據移動機器人的運動學方程來選擇用于實現跟蹤的速度控制輸入，表示如下:

  (1)

其中, ,均為設計參數。

速度控制信號的導數為：

(2)

控制信號誤差為：

  (3)

由李雅普諾夫理論可以得知，所設計的運動學控制器能使系統的跟蹤誤差收斂。

2.2 基于改進BP神經網絡的動力學控制器設計

如果一個向量僅是一個變量的函數，那么就可以用靜態神經網絡來建模。即：

    (4)

式中，和是GL向量，它們各自元素分別為和。是模型誤差向量，其元素是。其中，來表示一般向量或矩陣, 和“”分別表示GL 矩陣及其乘積算子。

由移動機器人動力學方程式知，僅是的函數，是和的函數，所以，可得：

  (5)

    (6)

式中，，和是GL矩陣，其各自元素分別為： ，，和。其中，和 是矩陣，其模型誤差元素為：和。

3 結論

改進的BP神經網絡應用于移動機器人軌跡跟蹤控制具有正確性、高效性、實用性和智能性等優勢，把神經網絡分割成若干子網分別進行訓練獲取了更高計算效率的方法，使BP神經網絡避免了不必要的權值調整，提高了網絡的訓練效率。

參考文獻：

[1]韓光信,陳虹. 約束非完整移動機器人軌跡跟蹤的非線性預測控制. 吉林大學學報(工學版),2009,39(01):177-18

第6篇：人工神經網絡改進范文

關鍵詞： 電力負荷；Elman網絡；BP網絡；預測

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2013）16-3871-04

電力系統時序負荷的準確預測是實現現代控制的前提之一，也是電力系統規劃和運行研究的重要內容。負荷預測是從已知的用電需求出發，考慮政治、經濟、氣候等相關因素，對未來的用電需求作出的預測[1]。電力系統負荷預測也是電力生產部門的重要工作之一，通過準確的負荷預測，可以經濟合理地安排機組啟停，減少旋轉備用容量，合理安排檢修計劃，降低發電成本，提高經濟效益。此外，它也是電力市場中電價制定的基礎。

負荷預測對電力系統控制、運行和計劃都有著重要意義。電力系統負荷變化一方面受許多不確定因素的影響，負荷變化會存在隨機波動，另一方面又具有周期性，這也使得負荷預測曲線具有相似性。同時，由于受天氣、節假日等特殊情況的影響，又使負荷變化出現異常。由于神經網絡具有較強的非線性映射特性，它常用于負荷預測。

近年來，人工神經網絡越來越引起控制理論工作者的極大興趣。人工神經網絡是一個能夠學習，能夠總結歸納的系統，也就是說它能夠通過已知數據的實驗運用來學習和歸納總結。人工神經網絡通過對局部情況的對照比較（而這些比較是基于不同情況下的自動學習和要實際解決問題的復雜性所決定的），它能夠推理產生一個可以自動識別的系統。與之不同的基于符號系統下的學習方法，它們也具有推理功能，只是它們是建立在邏輯演算法的基礎上，也就是說它們之所以能夠推理，基礎是需要有一個推理演算法則的集合。神經網絡的優點在于它具有模擬多變量而不需要對輸入變量做復雜的相關假定的能力，具有良好的自適應和自學習能力，能夠充分逼近復雜的非線性關系，但關鍵是要建立合理的數學模型。

本文利用Elman神經網絡的自適應性和較強的非線性映射能力進行負荷預測。采用自適應學習速率動量梯度下降反向傳播算法進行網絡訓練，可以克服傳統BP算法收斂速度慢和局部極小等缺陷。

1 Elman神經網絡結構與算法

1.1Elman神經網絡結構

Elman網絡通常是一個兩層網絡，其隱含層神經元到輸入層神經元之間還存在一個反饋連接通道，這種反饋連接在神經網絡術語中稱為回歸（recurrent）連接。這種回歸連接使得Elman網絡具有檢測和產生時變模式的能力。

2 數據的預處理

2.1數據的選取

有效地選取輸入變量是決定神經網絡預測精度的關鍵所在。電力系統負荷的波動往往受各種突變因素的影響，而這些因素包含的信息往往具有很大的不確定性。出于篇幅考慮，對預報模型簡單化，輸入變量的選取僅來自于某年歐洲競賽中電力負荷的歷史數據。

2.2結構分析

2.3輸入和輸出參數的標準化

3 仿真分析

神經網絡中單個神經元具有簡單的能夠反映非線性本質特征的能力，這些基本的單元經過自組織復合，使神經網絡可以逼近任意非線性函數。通過學習，從樣本中抽取并存儲其內在規律，從而可以對序列的變化進行預測。使用神經網絡方法可以避免復雜的常規建模過程，而且神經網絡模型有良好的自適應和自學習能力、較強的抗干擾能力，易于給出工程上容易實現的算法。在進行神經網絡預測時，首先是要確定輸入、輸出節點。

在訓練和預測的過程中，在MATLAB語言環境下，使用其特有的神經網絡工具箱，對改進的BP算法建立負荷預測模型，實現短期負荷預測。對比兩種網絡預測圖像和數據，可以清楚地看出，Elman網絡的訓練速度及預測精度都有較大的改善。比較圖4、圖5及預測技術指標可以看到，訓練Elman網絡時間短，平均預測精度高，最大預測精度也優于BP網絡。

對于電力預測來說，只考慮歷史數據是不夠的，還受許多隨機因素的影響，由于工作日和節假日的負荷不同，還要考慮時間特征值[8]。為避免預測時出現較大的誤差，可以通過適當增加樣本容量。

4 結論

到目前為止，電力系統的負荷預測一直都是一個難點，這主要是因為電力系統結構越來越復雜。該文采用Elman網絡建立短期負荷的預測模型，克服了傳統BP神經網絡的一些缺陷。通過仿真計算，證明了Elman神經網絡具有動態特性好、網絡訓練速度快、精度高等特點，同時表明該方法是可行且有效的，并且在電網電力負荷預測領域具有廣闊的應用前景。

參考文獻：

[1] 汪峰，于爾鏗，周京陽.能量管理系統（EMS） [J]. 電力系統自動化，1997，21（4）：66-69.

[2] 芮執元，任麗娜，馮瑞成.基于Elman神經網絡的甘肅電網負荷預測模型[J].現代電力，2007，24（2）：26-29.

[3] 夏昌浩，向學軍，何勝雄. 基于MATLAB神經網絡工具箱的電力系統負荷預報[J]. 武漢水利電力大學學報，2000，22（4）：303-307.

[4] 孫洪波，秦翼鴻，徐國禹. 用于短期電力負荷預報的人工神經網絡方法[J]. 重慶大學學報，1995（7）：42-47.

[5] 陳玉彬.礦井雙風機自動的簡易實現[J].礦山機械， 2009（18）：84.

[6] 王關平. 基于人工神經網絡的無刷直流電動機控制研究[D]. 蘭州理工大學，2007.

第7篇：人工神經網絡改進范文

關鍵詞 神經網絡；空調；應用

中圖分類號 TP387 文獻標識碼 A 文章編號 1673-9671-(2012)071-0184-02

中央空調系統是一個龐大復雜的系統，主要包括：空調冷熱源系統、水或空氣系統、控制系統等，空調系統能耗與影響因素之間是一種多變量、強耦合、嚴重非線性的關系，具有很強的動態性。而人工神經網絡可以實現從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統，具有較強的學習能力、自適應能力、容錯能力和聯想能力，已成為復雜的非線性系統建模、仿真、預測的新型工具，人工神經網絡自20世紀40年代初被首度提出來以后，經過幾十年的發展，廣泛運用于模式識別和圖像處理、控制與優化、人工智能等方面。隨著我國空調事業的快速發展及節能減排新形下，人工神經網絡在空調系統中的運用越來越受到廣大暖通空調研究者的關注。

1 神經網絡

神經網絡是對人腦或生物神經網絡的抽象和建模，具有從環境學習的能力，以類似生物的交互方式適應環境。人工神經網絡是一個由大量簡單的神經元廣泛聯接組成的復合系統，當系統被訓練達到平衡后，由各個神經元的權值組成的整個網絡的分布狀態，就是所求的結果。網絡學習的過程也就是各神經元權值的調整過程。人工神經網絡根據連接方式不同可以分為兩大類：無反饋的前向神經網絡和相互連接型網絡（包括反饋網絡），圖1為BP神經網絡系統結構簡圖，BP網絡就是一種誤差反向傳播的前向網絡，神經網絡的學習算法總體來講可分為有監督學習和無監督學習。人工神經網絡的具有強容錯性、冗余性、魯棒性和信息分布式并行處理及快速進行大量計算能力特點， 能適應復雜環境和進行多目標控制。

圖1 BP網絡系統結構

2 人工神經網絡在空調系統中的應用

2.1 空調風系統方面的應用

變風量系統（VAV系統）的基本思想是：當室內負荷發生變化時，改變送入室內風量，以滿足室內人員的舒適性或工藝性要求，實現送風量的自動調節，最大限度地減少風機動力，節約運行能耗。目前對變風量空調控制方法傳統方法主要有：定靜壓控制、變靜壓控制、總風量控制等，但多數局限于的PID控制理論，對變風量空調這種非線性系統的控制精度難以保證。朱為明等人在VAV系統中采用神經網絡預測優化算法對變風量空調進行控制，神經網絡預測優化算法控制過程的節能范圍為：6％-13.5％，與PID控制方法相比，神經網絡預測優化算法的控制量之和減少6%以上，具有較好的節能效果。

2.2 空調水系統方面的應用

中央空調水系統主要包括冷卻水和冷凍水系統，對于大型系統，管道長，系統熱容量大、慣性大，被控系統水溫和流速變化速度較慢，滯后現象嚴重，是一種典型的大滯后系統，對于過程純滯后非線性特性，目前過程控制傳統算法不具備克服滯后影響的能力，在穩定性和響應速度上都難以達到較好的性能指標。周洪煜等人利用了神經網絡的非線性逼近特性、自學習、自組織的能力以及預測控制的滾動優化和反饋校正的特性，建立起的中央空調水系統的動態模型，作為預測控制器的預測模型，不需要對被控對象進行精確的辨識， 提出的多變量神經網絡預測控制系統具有優良的控制效果，實現了空調水系統的自適應控制。何厚鍵等人在中央空調水系統的建模與優化研究中，利用前饋型網絡結合BP算法建立了冷卻塔和制冷機的神經網絡模型，解決的具有高度非線性的中央空調水系統設備的建模問題。

2.3 制冷系統方面的應用

神經網絡在空調中的制冷系統應用，主要體現在制冷機組優化控制和制冷系統的故障診斷兩方面。在中央空調系統中制冷機組是能耗最大的設備，對制冷機組進行優化控制，提高其運行效率，是空調系統節能的重要途徑之一。趙健等人在分析了影響壓縮機運行效率的主要因素基礎上，建立了以壓縮機入口制冷劑溫度、壓縮機出口制冷劑溫度和負荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經網絡模型。通過在線修正制冷機的吸氣壓力工作點，解決變負荷下，制冷機優化控制問題，大幅度提高制冷性能參數COP的值，降低了制冷機的運行能耗，與采用額定工況相比，采用神經網絡優化控制方法的制冷機節能量約為44.8%。

故障診斷是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在制冷系統的故障診斷方面，神經網絡也發揮著重要作用，隨著我國空調制冷事的蓬勃發展，制冷系統越來越復雜，故障的潛在發生點也越來越多，制冷設備的故障檢測與診斷越來越受到人們的重視。胡正定等人在分析制冷系統常見故障特征的基礎上，建立以壓縮機進口溫度、蒸發器進口溫度、冷媒水進口溫度、冷媒水出口溫度、壓縮機排氣壓力、壓縮機吸氣壓力、壓縮機出口溫度、冷凝器出口溫度等8特征征參數作為輸入量，故障模式作為輸出量的補償模糊神經網絡模型。仿真結果表明，系統的診斷結果且有較高的準確率。李中領等人在空調系統故障診斷中利用神經網絡建立了三層BP網絡模型，輸入層節點個數為4，對應于4種故障現象，隱含層單元個數為4，輸出層節點個數為12，對應于12種故障原因，輸出節點值的大小反映了故障出現的可能性。

2.4 負荷預測方面的應用

空調系統逐時負荷的準確預測是實現現代控制的前提之一，準確預測空調負荷對空調高效節能運行具有重大意義，影響空調負荷的因素有空氣溫度、濕度、太陽輻射強度、人員、設備運行情況等，空調負荷與影響因素之間是嚴重非線性的關系，具有動態性。

2.5 空調制冷系統的仿真設計方面的應用

制冷空調產品設計中，大量地依賴樣機的反復制作與調試，使得產品的設計周期延長，并影響性能優化，用計算機仿真代替樣機試驗，在計算機上面實現優化設計，使得制冷空調裝置仿真技術近年來得到了迅速發展 。

2.6 大型建筑運行能耗的評價方面的應用

大型公共建筑指非住宅的民用建筑，包括辦公樓、商場、賓館、醫院、學校等，大型公共建筑用能特點是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國大型公共建筑能源系統效率較低，浪費嚴重，其電耗超過公共建筑節能設計標準規定指標的10倍以上。大型公共建筑中央空調系統運行能耗的科學評價是對大型公共建筑進行用能科學管理的重要基礎，趙靖等人基于BP人工神經網絡，將冷水機組、冷凍水泵、冷卻水泵、冷卻塔、其它設備月平均功率、運行時間和氣象特征共七個作為預測因子，空調系統總能耗為輸出量，建立了大型公共建筑系統運行能耗的預測評價模型，仿真結果表明，網絡的平均預測誤差輸出值約為3.3E-014，可以滿足實際應用的要求。

3 發展方向

人工神經網絡基于較強的學習能力、自適應能力、容錯能力和聯想能力，在暖通空調領域中的應用已經取得了突破性的進展。今后的發展方向主要有兩個方面，首先，不斷改進神經網絡性能，提高其預測和控制精確度；另外，逐步使神經網絡的實現由軟件實現過渡到硬件實現，擴大其在空調領域的應用范圍，也是今后的研究方向之一。

參考文獻

[1]胡守仁.神經網絡導論[M].北京:國防科技大學出版社,1999.

[2]候媛彬,杜京義,汪梅.神經網絡[M].西安電子科技大學出版社,2007.

第8篇：人工神經網絡改進范文

關鍵詞：化工類上市公司 財務危機 非線性分析方法

一、引言

國內目前的化工行業產品齊全，生產與銷售量較大，是全球化工生產和消費的大國之一，為國民經濟的增長、提高人民消費水平貢獻了巨大力量。但隨著經濟不斷發展和人民消費水平不斷提高，化工產業的經營環境將面臨嚴峻的考驗，此時做好公司的財務管理，減少危機的發生率是保證企業正常生產運營的有效途徑之一，并達到增強化工行業企業生命力的效果。因此，對財務危機預警進行探討顯得十分重要。

二、財務危機預警系統的涵義

財務危機，是指企業經營與財務周轉不靈，使得公司經歷無法按時償還債務本息的窘境而最終導致破產的狀態，又稱財務困境或者財務失敗。法律上的企業危機特指企業破產。

財務危機預警系統是是在企業信息化的基礎上，借助一定的數學模型，考慮其超前預測效果，根據經營計劃、企業財務報表和相關的其他財務資料發出預警信號，通過此信號辨別財務危機的有無或嚴重程度的一種監測系統和風險控制機制。

三、化工類上市公司財務危機預警的基本分析方法

財務危機預警通常需要由發達的證券市場提供原始數據，并通過實證的分析方法對這些數據進行分析。我國對財務危機預警的方法很多，主要有單變量分析法、二類線性判定分析、Z分數模型、F分數模型、基于Jackknife檢驗模型、基于粗糙-模糊神經網絡（Rough-Fuzzy-ANN）的模型和基于BP算法的人工神經網絡模型。本文著重介紹最后一種模型，因為前面的模型方法只是一些比較常規的線性分析方法，不適合用于化工類上市公司財務危機預警系統的建立，因為化工業的內容涵蓋較為廣泛，就目前來說國內化工業包含天然氣、石油和煤炭等行業，他們具有不同特色，僅僅采用線性的常規分析方法則會造成較大誤差。而采用基于BP算法的人工神經網絡作為一種定性分析，不需要假定事先概率分布或者多變量正態分布就能通過其本身采用的非線性關系準確識別和模擬數據，因而符合化工類上市公司的復雜性和綜合性。

人工智能領域中的重要分支之一則是人工神經網絡，該網絡系統是由大量簡單的神經元通過多種組合關系互相連接而形成的，是一種模擬人類大腦結構的用于并行大規模處理非線性問題的抽象計算模型。而所謂的BP算法是一種前向計算、誤差反向傳播的多層反饋神經網絡。結合BP算法和人工神經網絡則形成了一種典型的非線性分析方法，即基于BP算法的人工神經網絡，它以人工神經網絡系統為基礎，主要有三大部分組成：一個輸入層、隱含層（可以是多個）、輸出層，在此基礎上引入BP算法，將由作用函數運算后的輸出結果與期望值作對比，如果誤差在允許范圍內則停止傳播，反之則向反方向傳播誤差，達到控制誤差的目的，使輸出值符合精度的要求。

四、財務危機預警存在的問題及改進方法

高速發展的市場經濟和日益成熟的證券市場使我國不少上市公司頻繁陷入財務危機，而具有高投資、大規模和長周期特點的化工類上市公司的財務質量對國民與市場經濟、企業投資者利益及社會的影響較為顯著，因此對其財務危機的預測要求將越來越高，而由于我國這方面的起步較晚，研究時間相對西方國家來說相對較短，雖然已得到一些成果，但此研究還存在較多問題。以下針對幾個問題提出相關建議。

1、證券市場不完善

通過上述分析可知，建立財務危機預警系統需要原始數據，而這些數據來自于證券市場。若證券市場不夠完善，即使采用精度較高的模型來進行分析，提供的數據就會對結果產生相對較大的誤差，這將影響預警系統輸出結果的精度。正所謂磨刀不誤砍柴工，對此首先要完善證券市場，才能使上市公司財務危機預警達到一定效果。

2、模型缺乏理論依據

無論是國內還是國外，目前沒有一個重要的理論能夠說明財務比率在破產前的預測能力，說明支持財務危機預警系統的理論依據都比較薄弱。預測模型只能通過實證研究得到，從而影響預測模型的可靠性。為此，需要從理論出發，建立一個有說服力的優選預警變量的理論框架。

3、適合化工類上市公司財務危機預警的模型較少

只有采用非線性分析的模型才能準確地對化工類上市公司的財務危機進行預測，而前人提出的常規分析模型是基于線性分析的，若采用這些模型將造成較大的誤差。目前主要采用的非線性分析模型是基于BP算法的人工神經網絡模型，雖然目前的預警結果相對準確，但面對市場經濟的發展，也許誤差會不斷增大，因此亟需廣大學者對基于非線性分析的預警模型進行研究。

四、結語

建立財務危機預警系統的目的是幫助企業及時處理和解決預警系統提前預測出的潛在風險。通過對預警系統的現狀研究，大多數財務危機預警的分析方法具有局限性，即判別方法僅對同一行業有效，而化工類上市公司的綜合性較強，從而限制了常規線性分析方法的使用，目前針對化工類的BP 人工神經網絡財務危機預警研究方法是較能行之有效的，從而充分體現了該技術在危機預警方面的優勢，但在財務指標的篩選上還是存在較大誤差，模型還不夠簡化等缺點，因此說明化工類上市公司的財務危機預警系統還存在較多問題，限于篇幅，本文只列出幾條。總而言之，財務危機預警的問題不容忽視，特別是在市場經濟競爭十分激烈與險惡的環境下。這項任重道遠的系統工程需要廣大學者的不斷深入探討與實踐，使其發揮良好的實用價值。

參考文獻：

[1]周春生.企業風險與危機管理[M].北京大學出版社，2007

[2]楊淑娥.企業多層次財務危機預警研究方法與應用[M]，經濟科學出版社，2009

第9篇：人工神經網絡改進范文

【關鍵詞】系統辨識 神經網絡 遺傳算法 模糊邏輯

一、引言

系統辨識屬于現代控制工程范疇，是以研究建立一個系統的數學模型的技術方法。分析法和實驗法是主要的數學模型建立方法。系統辨是一種實驗建立數學模型的方法，可實時建模，滿足不同模型建立的需求。L.A.Zadeh于1962年提出系統辨識的定義：在輸入、輸出的基礎上，確定一個在一定條件下與所觀測系統相等的系統。系統辨識技術主要由系統的結構辨識和系統的參數估計兩部分組成。

系統的數學表達式的形式稱之為系統的結構。對SISO系統而言，系統的階次為系統的機構；對多變量線性系統而言，模型結構就是系統的能控性結構指數或能觀性結構指數 。但實際應用中難以找到與現有系統等價的模型。因此，系統辨識從實際的角度看是選擇一個最好的能擬合實際系統輸入輸出特性的模型。

本文介紹一些新型的系統辨識方法，體現新型方法的優勢，最后得出結論。

二、基于神經網絡的非線性系統辨識方法

近年來，人工神經網絡得到了廣泛的應用，尤其是在模式識別、機器學習、智能計算和數據挖掘方面。人工神經網絡具有較好的非線性計算能力、并行計算處理能力和自適應能力，這為非線性系統的辨識提供了新的解決方法。

結合神經網絡的系統辨識法被用于各領域的研究，并不斷提出改進型方法，取得了較好的進展。如劉通等人使用了徑向基函數神經網絡對伺服電機進行了辨識，使用了梯度下降方法進行訓練，確定系統參數；張濟民等人對擺式列車傾擺控制系統進行了改進，使用BP神經對傾擺控制系統進行辨識；崔文峰等人將最小二乘法與傳統人工神經網絡結合，改善了移動機器人CyCab的運行系統。

與傳統的系統識別方法相比較，人工神經網絡具有較多優點：

（一）使用神經元之間相連接的權值使得系統的輸出可以逐漸進行調整；

（二）可以辨識非線性系統，這種辨識方法是通過神經網絡自身來進行，無需編程；

（三）無需對系統建行數模，因為神經網絡的參數已都反映在內部；

（四）神經網絡的獨立性強，它采用的學習算法是它收斂速度的唯一影響因素；

（五）神經網絡也適用于在線計算機控制。

三、基于遺傳算法的非線性系統辨識方法

遺傳算法是一種新型的求解最優算法，它的思想來源于資源遺傳學，結合了自然選擇的優點與數學概率性算法，具有諸多優點，如全范圍的搜索域、求取的解為全局最優和接受任意性質的函數，因此在各領域都有廣泛的應用。

雷旭升等人[5]使用了遺傳算法對小型無人飛行器的動力學模型進行高精度的構建，并對構建的系統進行了仿真，驗證了系統的有效性；趙靜等人[6]對人體能量代謝分析儀氣體流量系統進行了模型建立，使用遺傳算法解決了傳統系統辨識方法辨識時產生的較大時延和誤差較大的問題。

四、基于模糊理論的非線性系統辨識方法

近年來，模糊邏輯理論在非線性系統辨識領域中得到廣泛的應用，用模糊集合理論，從系統輸入和輸出量測值來辨識系統的模糊模型，是系統辨識的有效途徑。模型結構辨識和模型參數預計是模糊建模的主要內容。常用的模型是T-S模型，T-S模型具有計算速度快、結構模型易觀、逼近力強等特點。

趙宏偉等人[7]提出了一種基于系統辨識的自適應網絡模型，建立T-S推理模型系統，并應用于磨礦控制領域；李超順等人[8]針對水輪機調節系統的復雜性、非線性和難以用明確數學模型表達的特點，建立了該系統的T-S模型，實現了模糊模型結構的自適應優化；葉劍斌[9]等人針對了現有算法中容易出現的維數災難，同時將模糊語言理論和支持向量機的方法結合，提出了一種組合方法，提高了函數逼近的能力。此外，還有一些綜合上述三種方法的組合型辨識的方法。

五、結語

近年來，系統辨識的方法得到了不斷的發展，系統辨識已經成為了現代控制工程領域中十分重要的技術與研究方向。隨著人工神經網絡、模糊邏輯理論、遺傳算法、人工智能理論的成熟發展，越來越多的新型非線性系統辨識方法被不斷提出，且在實際工程應用中得到了有效性驗證與較好的效果。但對于現實工程中結構復雜的各種系統難以找到一個統一的系統辨識方法，因此研究需要更多的新型非線性系統辨識方法去解決實際工程應用中出現的問題。對傳統的系統辨識方法進行不斷完善將是系統辨識未來的發展方向。

參考文獻：

[1]王樂一，趙文. 系統辨識：新的模式、挑戰及機遇[J].自動化學報，2013，39（9）：933-942.

[2]劉通.基于RBF神經網絡的某交流伺服系統辨識研究[J].機械制造與自動化，2013，（2）：113-115.

[3]張濟民，王開文，池茂儒.基于BP神經網絡擺式列車傾擺控制系統的辨識[J] .機床與液壓，2003，（5） ：33-35.

[4]崔文峰，史儀凱.移動機器人的鍵合圖建模與參數辨識[J].機械科學與技術，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自適應遺傳算法的小型無人旋翼機系統辨識方法[J].機器人，2011，33（5）：528-532.

[6] 趙靜，郭巧，王萍.基于遺傳算法的人體能量代謝分析系統辨識[J] .控制工程，2004，11（1）：17-19.

[7] 趙宏偉，齊一名，臧雪柏等.基于系統辨識與T―S模糊神經網絡的磨礦分級控制[J].吉林大學學報：工學版，2011，41（1） ：171-175.