一种基于RBF‑ARX模型稳定参数估计的非线性系统建模方法技术方案

本发明专利技术公开了工程设计和优化技术领域的一种基于RBF‑ARX模型稳定参数估计的非线性系统建模方法，该基于RBF‑ARX模型稳定参数估计的非线性系统建模方法的具体步骤如下：S1：采用高斯函数的形式表示RBF神经网络的结构；S2：构建ARX模型结构A(z

【技术实现步骤摘要】
一种基于RBF-ARX模型稳定参数估计的非线性系统建模方法
本专利技术涉及工程设计和优化
，具体为一种基于RBF-ARX模型稳定参数估计的非线性系统建模方法。
技术介绍
在实际工业过程中普遍存在非线性动态和物理模型难以获取的情况，采用数据驱动的建模方法以实现其特性的描述是对其分析和控制的前提。RBF神经网络以其简单的结构、较高的非线性逼近精度和快速学习的能力，被广泛的应用于模式识别、函数逼近、信号处理、非线性系统建模等领域，已成为最流行的前馈神经网络之一。但由于实际工业过程对象的复杂性，使得RBF神经网络通常需要较高的阶次以满足日益提高的非线性逼近精度要求。RBF-ARX模型综合了状态相依ARX模型对非线性动态特性的描述能力与RBF神经网络的函数逼近能力对过程局部变化的学习能力，能够有效降低RBF神经网络的阶次，已被广泛运用于时间序列预测、非线性系统建模等领域。一般而言，RBF类模型至少包含3类参数：RBF网络中心、宽度和线性权重，其中RBF网络中心和宽度为非线性参数，线性权重为线性参数。典型的参数优化过程是采用非线性优化来选择RBF的网络的中心和宽度；采用线性中心最小二乘来确本文档来自技高网...

【技术保护点】
一种基于RBF‑ARX模型稳定参数估计的非线性系统建模方法，其特征在于：该基于RBF‑ARX模型稳定参数估计的非线性系统建模方法的具体步骤如下：S1：采用高斯函数的形式表示RBF神经网络的结构，其具体的表现形式为

【技术特征摘要】
1.一种基于RBF-ARX模型稳定参数估计的非线性系统建模方法，其特征在于：该基于RBF-ARX模型稳定参数估计的非线性系统建模方法的具体步骤如下：S1：采用高斯函数的形式表示RBF神经网络的结构，其具体的表现形式为i＝1,2，…，m，式中x为输入向量，ci为该函数的中心，与x具有相同维数的向量，σi为缩放比例因子，m为中心个数，||x-ci||为该方程的向量二范式；S2：构建ARX模型结构A(z-1)Y(k)＝z-dB(z-1)U(k)+e(k)，其中U∈Rnu和Y∈Rny为系统输入输出量，e∈Rny为白噪声，z-1为后移算子，d为系统纯延时，其中S3：采用高斯网络来逼近步骤S1和步骤S2中的模型系数，得到RBF-ARX模型结构式中X(t)为状态变量，ny、nu、nv、m和nw＝dim{X(t-1)}为模型阶次，为RBF网络的中心，为缩放比例系数，和为权系数，||·||2代表矢量二范式；S4：利用二次型调节器对步骤S3中模型系数的性能指标进行计算，式中开始时间t0和终端时间tf都是固定的，F是n×n维半正定对称常数的加权矩阵，xT(tf)Fx(tf)称为终端代价，表示在tf时刻系统终态接近预定终态的程度，Q(t)是n×n维半正定对称时变的加权矩阵，积分项xT(t)Q(t)x(t)表示给定状态和给定状态之...

【专利技术属性】
技术研发人员：李鹏，杨坤，陈宇东，袁哲，王欣，高甲子，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22