【技术实现步骤摘要】
本专利技术属于自动控制、信息技术和先进制造领域，具体涉及针对具有模型不确定 的复杂非线性系统模型辨识问题的基于标准型递归神经网络的系统辨识方法。
技术介绍
汽车的运行工况复杂，且变化频繁，若在交通拥挤、车辆众多的城市中行驶时， 汽车经常处于怠速工况，约有相当部分的燃油消耗于此。因此对发动机的怠速加以有效控 制，对提高发动机经济性能指标有很大的影响。由于进、排气的波动性和燃烧过程的随机 性，发动机的怠速工况具有天然的随机性，因此对怠速系统无法建立精确数学模型，且怠 速工作过程的非线性、时变性、复杂性使得对其模型辨识变得十分困难。
技术实现思路
为了克服已有技术无法对发动机怠速系统进行建模、无法实现模型辨识的不足， 本专利技术提供了一种有效实现模型辨识的标准型递归神经网络发动机怠速模型辨识方法。 本专利技术解决其技术问题所采用的技术方案是： ，所述系统状态辨识方法包括 以下步骤： (1)针对发动机怠速实际工况系统，采集跟系统辨识相关的状态变量，并做好前期 传感器非线性信号的滤波处理； (2)标准型递归神经网络模型仅需要单层神经网络，且每个状态仅需要单个神经【主权项】1. ，其特征在于，所述系统状态辨 识方法包括W下步骤： (1) 针对发动机怠速实际工况系统，采集跟系统辨识相关的状态变量，并做好前期传感 器非线性信号的滤波处理。 (2) 标准型递归神经网络模型仅需要单层神经网络，且每个状态仅需要单个神经元，选 择两个非线性Sigmoid型激励函数0 ( ? )，4 ( ?)构造 标准型递归神经网络辨识模型，其中a。b。ci;a2,b2,C...
【技术保护点】
一种标准型递归神经网络发动机怠速模型辨识方法，其特征在于，所述系统状态辨识方法包括以下步骤：(1)针对发动机怠速实际工况系统，采集跟系统辨识相关的状态变量，并做好前期传感器非线性信号的滤波处理。(2)标准型递归神经网络模型仅需要单层神经网络，且每个状态仅需要单个神经元，选择两个非线性Sigmoid型激励函数σ(·),φ(·)，构造标准型递归神经网络辨识模型，其中a1,b1,c1；a2,b2,c2根据不同的系统参数进行取值。(3)针对标准型递归神经网络设计自适应学习律通过设计Lyapunov函数：L=eTPe+k2-1tr{W~1TPW~1}+k3-1tr{W~2TPW~2}+k1-1tr{M~TPM~}]]>得到如下的自适应学习律：M·=-k1ex^T]]>W·1=-k2eσT(x^)]]>W·2=-k3euTφT(x^)]]>其中k1,k2,k3为正的常数，M为动态回归矩阵，W1,2为所提递归神经网络权值，e为辨识误差，为辨识状态，u为系统输入，σ(·),φ(·)为激励函数，所述自适应学习律满足如下稳定性...
【技术特征摘要】
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。