基于人工神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)本文檔共28頁(yè)；當(dāng)前第1頁(yè)；編輯于星期二\12點(diǎn)19分主要內(nèi)容人工神經(jīng)網(wǎng)絡(luò)的概述人工神經(jīng)元模型人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)幾種典型的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)概述系統(tǒng)辨識(shí)的基本概念系統(tǒng)辨識(shí)的三要素系統(tǒng)辨識(shí)的基本過(guò)程基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)技術(shù)人工神經(jīng)網(wǎng)絡(luò)辨識(shí)的基本原理飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)本文檔共28頁(yè)；當(dāng)前第2頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述1.1人工神經(jīng)元模型生物神經(jīng)元結(jié)構(gòu)本文檔共28頁(yè)；當(dāng)前第3頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述1.1人工神經(jīng)元模型三個(gè)基本要素：1、連接權(quán)；2、求和單元；3、激活函數(shù)。數(shù)學(xué)模型本文檔共28頁(yè)；當(dāng)前第4頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述激活函數(shù)：1、硬限幅(Heaviside)激活函數(shù)2、線性激活函數(shù)3、對(duì)數(shù)-S型(sigmoid)激活函數(shù)4、對(duì)稱硬極限激活函數(shù)5、飽和線性激活函數(shù)6、雙曲正切S型激活函數(shù)7、正線性激活函數(shù)……本文檔共28頁(yè)；當(dāng)前第5頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述1.2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)前饋型網(wǎng)絡(luò)（FNN）根據(jù)激活函數(shù)的不同，F(xiàn)NN又可分為多種類型。如多層感知器（MLP）、徑向基網(wǎng)絡(luò)（RBF）、小波網(wǎng)絡(luò)（WN）本文檔共28頁(yè)；當(dāng)前第6頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述反饋（遞歸）型網(wǎng)絡(luò)全局反饋：Hopfield網(wǎng)絡(luò)、Elman網(wǎng)絡(luò)局部反饋網(wǎng)絡(luò)是在單個(gè)神經(jīng)元上進(jìn)行反饋，類型很多本文檔共28頁(yè)；當(dāng)前第7頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述1.3神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)通過(guò)向環(huán)境學(xué)習(xí)獲取知識(shí)并改進(jìn)自身性能是神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)，在一般情況下，性能的改善是按某種規(guī)定的度量調(diào)節(jié)自身參數(shù)（如權(quán)值）并隨時(shí)間逐步達(dá)到的，學(xué)習(xí)方式（按環(huán)境所供信息的多少分）有以下三種：有監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)強(qiáng)化學(xué)習(xí)學(xué)習(xí)算法：δ學(xué)習(xí)規(guī)則（誤差糾正規(guī)則）Hebb學(xué)習(xí)規(guī)則競(jìng)爭(zhēng)學(xué)習(xí)本文檔共28頁(yè)；當(dāng)前第8頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述1.4幾種典型的人工神經(jīng)網(wǎng)絡(luò)感知機(jī)神經(jīng)網(wǎng)絡(luò)BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)徑向基（RadialBasisFunction,RBF）神經(jīng)網(wǎng)絡(luò)競(jìng)爭(zhēng)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)Hopfield神經(jīng)網(wǎng)絡(luò)Boltzmann神經(jīng)網(wǎng)絡(luò)……本文檔共28頁(yè)；當(dāng)前第9頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述BP神經(jīng)網(wǎng)絡(luò)隱含層和輸出層的激活函數(shù)采用對(duì)數(shù)-S型激活函數(shù)本文檔共28頁(yè)；當(dāng)前第10頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述隱含層的第i個(gè)神經(jīng)元在樣本p作用下的輸入為：隱含層的第i個(gè)神經(jīng)元的輸出為：輸出層第k個(gè)神經(jīng)元的總輸入為：輸出層的第k個(gè)神經(jīng)元的實(shí)際輸出為：BP網(wǎng)絡(luò)的前饋計(jì)算本文檔共28頁(yè)；當(dāng)前第11頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述BP網(wǎng)絡(luò)權(quán)系數(shù)的調(diào)整規(guī)則對(duì)于每一樣本p的輸入模式對(duì)的二次型誤差函數(shù)為：BP學(xué)習(xí)算法的基本原理是梯度最速下降法，它的中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。學(xué)習(xí)過(guò)程按使誤差函數(shù)Jp減小最快的方向調(diào)整加權(quán)系數(shù)直到獲得滿意的加權(quán)系數(shù)為止。因此，權(quán)系數(shù)應(yīng)按Jp函數(shù)梯度變化的反方向調(diào)整，使網(wǎng)絡(luò)逐漸收斂。輸出層的神經(jīng)元權(quán)系數(shù)修改公式：隱含層的神經(jīng)元權(quán)系數(shù)修改公式：本文檔共28頁(yè)；當(dāng)前第12頁(yè)；編輯于星期二\12點(diǎn)19分人工神經(jīng)網(wǎng)絡(luò)的概述BP網(wǎng)絡(luò)學(xué)習(xí)算法的計(jì)算步驟初始化：置所有的加權(quán)系數(shù)為最小的隨機(jī)數(shù)；提供訓(xùn)練集：給出輸入向量p和期望的輸出向量t。計(jì)算實(shí)際輸出；計(jì)算期望值與實(shí)際輸出的誤差；調(diào)整輸出層的加權(quán)系數(shù)；調(diào)整隱含層的加權(quán)系數(shù)；返回步驟（3），直到誤差滿足要求為止。本文檔共28頁(yè)；當(dāng)前第13頁(yè)；編輯于星期二\12點(diǎn)19分系統(tǒng)辨識(shí)概述2.1系統(tǒng)辨識(shí)的基本概念設(shè)有一離散時(shí)不變因果系統(tǒng)，它的輸入和輸出分別為u(t)和yp(t)，并設(shè)u(t)是一致有界函數(shù)，那么辨識(shí)問(wèn)題可以描述為尋求一數(shù)學(xué)模型,使得模型的輸出和被辨識(shí)系統(tǒng)的輸出盡量接近。本文檔共28頁(yè)；當(dāng)前第14頁(yè)；編輯于星期二\12點(diǎn)19分系統(tǒng)辨識(shí)概述2.2系統(tǒng)辨識(shí)三要素辨識(shí)三要素和辨識(shí)要點(diǎn)輸入/輸出數(shù)據(jù)系統(tǒng)模型類型等價(jià)準(zhǔn)則能夠量測(cè)到的系統(tǒng)的輸入/輸出數(shù)據(jù)所考慮的系統(tǒng)的結(jié)構(gòu)給出辨識(shí)的優(yōu)化目標(biāo)輸入信號(hào)的選擇：必須能充分激勵(lì)系統(tǒng)的所有模態(tài)。模型的選擇：兼顧精確性和復(fù)雜性最常用的誤差準(zhǔn)則是誤差平方和函數(shù)本文檔共28頁(yè)；當(dāng)前第15頁(yè)；編輯于星期二\12點(diǎn)19分系統(tǒng)辨識(shí)概述2.3系統(tǒng)辨識(shí)的基本過(guò)程⑴選定和預(yù)測(cè)被辨識(shí)系統(tǒng)的數(shù)學(xué)模型類型⑵試驗(yàn)設(shè)計(jì)：選擇試驗(yàn)信號(hào)，記錄輸入/輸出數(shù)據(jù)⑶參數(shù)估計(jì)：選擇估計(jì)方法，根據(jù)測(cè)量數(shù)據(jù)估計(jì)數(shù)學(xué)模型中的未知參數(shù)。⑷模型驗(yàn)證：驗(yàn)證所確定的模型是否恰當(dāng)?shù)乇硎玖讼到y(tǒng)本文檔共28頁(yè)；當(dāng)前第16頁(yè)；編輯于星期二\12點(diǎn)19分基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)技術(shù)在正向建模問(wèn)題中，神經(jīng)網(wǎng)絡(luò)與待辨識(shí)系統(tǒng)具有相同的輸入，兩者的輸出誤差作為網(wǎng)絡(luò)的訓(xùn)練信號(hào)，這是典型的有監(jiān)督學(xué)習(xí)問(wèn)題。學(xué)習(xí)結(jié)束后，網(wǎng)絡(luò)模型將具有與實(shí)際系統(tǒng)相同的輸入輸出特性。3.1人工神經(jīng)網(wǎng)絡(luò)辨識(shí)的基本原理正向模型（1）正向模型本文檔共28頁(yè)；當(dāng)前第17頁(yè)；編輯于星期二\12點(diǎn)19分基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)技術(shù)（2）逆向模型直接逆模型間接逆模型直接逆向模型是把系統(tǒng)輸出作為網(wǎng)絡(luò)輸入，用網(wǎng)絡(luò)的輸出與系統(tǒng)的輸入作比較,兩者的誤差作為網(wǎng)絡(luò)的訓(xùn)練信號(hào)；而間接模型結(jié)構(gòu)中有一個(gè)已知的系統(tǒng)正向模型,同時(shí)將逆模型網(wǎng)絡(luò)與系統(tǒng)串聯(lián)，網(wǎng)絡(luò)輸入是系統(tǒng)的期望輸出，訓(xùn)練信號(hào)為系統(tǒng)的期望輸出與其實(shí)際輸出之差，或者是與己知神經(jīng)網(wǎng)絡(luò)正向模型的輸出之差。本文檔共28頁(yè)；當(dāng)前第18頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)3.2飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)飛行器系統(tǒng)各主要符號(hào)及其含義（6自由度）本文檔共28頁(yè)；當(dāng)前第19頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)滾轉(zhuǎn)姿態(tài)（副翼）本文檔共28頁(yè)；當(dāng)前第20頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)俯仰（水平尾翼）本文檔共28頁(yè)；當(dāng)前第21頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)偏航（垂直尾翼）本文檔共28頁(yè)；當(dāng)前第22頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)假設(shè)：◆飛行器具有對(duì)稱平面;◆運(yùn)動(dòng)中對(duì)稱平面處于鉛垂位置,且運(yùn)動(dòng)平面與飛機(jī)對(duì)稱平面重合;◆飛行器進(jìn)行定常直線運(yùn)動(dòng)。線性小擾動(dòng)方程可分為彼此獨(dú)立的兩組，即可在縱、橫兩個(gè)方向上進(jìn)行解耦。注：系統(tǒng)方程見(jiàn)文檔本文檔共28頁(yè)；當(dāng)前第23頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)縱向系統(tǒng)仿真本文檔共28頁(yè)；當(dāng)前第24頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)通過(guò)MATLAB仿真得到縱向系統(tǒng)輸入如右(其中，左側(cè)輸入為寬度為3秒的單位幅度脈沖；右側(cè)輸入為寬度為1秒的單位幅度脈沖)本文檔共28頁(yè)；當(dāng)前第25頁(yè)；編輯于星期二\12點(diǎn)19分飛行器系統(tǒng)氣動(dòng)力參數(shù)辨識(shí)

利用神經(jīng)網(wǎng)絡(luò)的正向辨識(shí)模型，對(duì)飛行器系統(tǒng)在小擾動(dòng)情況下的動(dòng)態(tài)特性進(jìn)行辨識(shí)。采用串并聯(lián)辨識(shí)模型，通過(guò)試驗(yàn)發(fā)現(xiàn)當(dāng)輸入、輸出分別延時(shí)5個(gè)單元