一种动态过程神经网络模型辨识方法技术

本发明专利技术公开了一种动态过程神经网络模型辨识方法，该方法首先采集过程输入输出数据，并构成模型训练样本；然后确定BP神经网络模型结构；接着以传统误差平方和Je作为模型辨识精度指标，以相邻采样周期模型输出变化量与样本输出变化量之差的平方和项与Je之和作为神经网络训练指标P；最后以最小化训练指标P为目标训练神经网络，循环迭代修正神经网络权系数，以模型辨识精度指标Je小于预设值作为训练的停止条件。本发明专利技术由于采用了神经网络训练指标P，与传统的基于误差平方和性能指标Je的BP神经网络辨识方法相比，在相同辨识精度条件下提高所建模型的数据拟合能力和泛化能力，有效提高模型质量。

A dynamic process neural network model identification method

The invention discloses a dynamic process neural network model identification method, which first collects process input and output data and forms a model training sample; then determines the BP neural network model structure; and then takes the traditional error square sum Je as the model identification accuracy index, and outputs the variation and the adjacent sampling period model with the adjacent sampling period model. The sum of the sum of squares of the variance of the sample output and the sum of Je are used as the training index P of the neural network. Finally, the neural network is trained to minimize the training index P, and the weights of the neural network are modified by cyclic iteration. Compared with the traditional BP neural network identification method based on the error square sum performance index Je, the proposed method improves the data fitting ability and generalization ability of the model under the same identification precision condition, and effectively improves the model quality.

【技术实现步骤摘要】
一种动态过程神经网络模型辨识方法
本专利技术属于自动控制和神经网络模型识别，具体涉及一种动态过程神经网络模型辨识方法。
技术介绍
神经网络是一个通用函数逼近器，在动态过程建模中得到了广泛应用，其中BP神经网络应用最为广泛。目前传统的神经网络模型辨识方法所基于的误差平方和性能指标如下：其中k为采样时刻，N为采样个数，y(k)为k时刻过程的实际输出，ym(k)为k时刻神经网络模型输出，Je为模型输出与过程实际输出的误差平方和。基于误差平方和性能指标的BP神经网络模型辨识方法，很难协调模型的数据拟合能力(辨识精度)和泛化能力的矛盾。辨识精度设置得低，模型的数据拟合能力差，更谈不上泛化能力了；辨识精度设置得高，模型的数据拟合能力好，但会出现过度拟合现象，导致模型的泛化能力差。其原因是基于误差平方和性能指标的辨识方法只考虑了样本点上的辨识精度。
技术实现思路
专利技术目的：为解决上述现有技术存在的问题，本专利技术提出一种动态过程神经网络模辨识方法，该方法能有效协调模型数据拟合能力和泛化能力之间的矛盾。技术方案：一种动态过程神经网络模型辨识方法，包括如下步骤：(1)采集过程输入输出数据，并构成模型训本文档来自技高网...

【技术保护点】
1.一种动态过程神经网络模型辨识方法，其特征在于：包括以下步骤：(1)采集过程输入输出数据，并构成模型训练样本；(2)确定神经网络模型结构；(3)确定模型辨识精度指标函数和模型训练指标函数；(4)用步骤(1)的训练样本训练神经网络参数。

【技术特征摘要】
1.一种动态过程神经网络模型辨识方法，其特征在于：包括以下步骤：(1)采集过程输入输出数据，并构成模型训练样本；(2)确定神经网络模型结构；(3)确定模型辨识精度指标函数和模型训练指标函数；(4)用步骤(1)的训练样本训练神经网络参数。2.根据权利要求1所述的一种动态过程神经网络模型辨识方法，其特征在于：步骤(1)具体如下：对连续时间的过程历史数据按照固定的采样周期T进行采样，采集获得过程输入数据序列u(k)和输出数据序列y(k)，并将变量u和y分别作时延处理，构成神经网络训练数据对样本，其表达式如下：其中u(k-1),u(k-2),...,u(k-m),y(k-1),y(k-2),...,y(k-n)为神经网络的输入变量样本，y(k)为相应的神经网络输出变量样本，k为采样时刻，N为采样个数，m为过程输入阶次，n为过程输出阶次，m≤n，T取1-5秒。3.根据权利要求1所述的一种动态过程神经网络模型辨识方法，其特征在于：步骤(2)包括构建一个输入层节点数为I，中间隐层节点数为J，输出层节点数为1的3层BP神经网络，其中I＝m+n，输入层与隐层节点间的连接权为w1j,i，隐层与输出层节点间的连接权为w2j，i＝1，2,...,I，j＝1,2,...,J。4.根据权利要求1所述的一种动态过程神经网络模型辨识方法，其特征在于：步骤(3)包括以下步骤：设置向量：X(k)＝[u(k-...

【专利技术属性】
技术研发人员：雎刚，邵恩泽，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32