论文部分内容阅读
【摘 要】介绍了现有的非线性系统辨识方法。列举了神经网络、遗传算法、模糊逻辑等知识的基本概念，同时介绍了使用新型的系统辨识方法在非线性系统中的应用，最后介绍了系统辨识未来的发展方法。
【关键词】系统辨识 神经网络 遗传算法 模糊逻辑
一、引言
系统辨识属于现代控制工程范畴，是以研究建立一个系统的数学模型的技术方法。分析法和实验法是主要的数学模型建立方法。系统辨是一种实验建立数学模型的方法，可实时建模，满足不同模型建立的需求。L.A.Zadeh于1962年提出系统辨识的定义：在输入、输出的基础上，确定一个在一定条件下与所观测系统相等的系统。系统辨识技术主要由系统的结构辨识和系统的参数估计两部分组成。
系统的数学表达式的形式称之为系统的结构。对SISO系统而言，系统的阶次为系统的机构；对多变量线性系统而言，模型结构就是系统的能控性结构指数或能观性结构指数 。但实际应用中难以找到与现有系统等价的模型。因此，系统辨识从实际的角度看是选择一个最好的能拟合实际系统输入输出特性的模型。
本文介绍一些新型的系统辨识方法，体现新型方法的优势，最后得出结论。
二、基于神经网络的非线性系统辨识方法
近年来，人工神经网络得到了广泛的应用，尤其是在模式识别、机器学习、智能计算和数据挖掘方面。人工神经网络具有较好的非线性计算能力、并行计算处理能力和自适应能力，这为非线性系统的辨识提供了新的解决方法。
结合神经网络的系统辨识法被用于各领域的研究，并不断提出改进型方法，取得了较好的进展。如刘通等人使用了径向基函数神经网络对伺服电机进行了辨识，使用了梯度下降方法进行训练，确定系统参数；张济民等人对摆式列车倾摆控制系统进行了改进，使用BP神经对倾摆控制系统进行辨识；崔文峰等人将最小二乘法与传统人工神经网络结合，改善了移动机器人CyCab的运行系统。
与传统的系统识别方法相比较，人工神经网络具有较多优点：
（一）使用神经元之间相连接的权值使得系统的输出可以逐渐进行调整；
（二）可以辨识非线性系统，这种辨识方法是通过神经网络自身来进行，无需编程；
（三）无需对系统建行数模，因为神经网络的参数已都反映在内部；
（四）神经网络的独立性强，它采用的学习算法是它收敛速度的唯一影响因素；
（五）神经网络也适用于在线计算机控制。
三、基于遗传算法的非线性系统辨识方法
遗传算法是一种新型的求解最优算法，它的思想来源于资源遗传学，结合了自然选择的优点与数学概率性算法，具有诸多优点，如全范围的搜索域、求取的解为全局最优和接受任意性质的函数，因此在各领域都有广泛的应用。
雷旭升等人[5]使用了遗传算法对小型无人飞行器的动力学模型进行高精度的构建，并对构建的系统进行了仿真，验证了系统的有效性；赵静等人[6]对人体能量代谢分析仪气体流量系统进行了模型建立，使用遗传算法解决了传统系统辨识方法辨识时产生的较大时延和误差较大的问题。
四、基于模糊理论的非线性系统辨识方法
近年来，模糊逻辑理论在非线性系统辨识领域中得到广泛的应用，用模糊集合理论，从系统输入和输出量测值来辨识系统的模糊模型，是系统辨识的有效途径。模型结构辨识和模型参数预计是模糊建模的主要内容。常用的模型是T-S模型，T-S模型具有计算速度快、结构模型易观、逼近力强等特点。
赵宏伟等人[7]提出了一种基于系统辨识的自适应网络模型，建立T-S推理模型系统，并应用于磨矿控制领域；李超顺等人[8]针对水轮机调节系统的复杂性、非线性和难以用明确数学模型表达的特点，建立了该系统的T-S模型，实现了模糊模型结构的自适应优化；叶剑斌[9]等人针对了现有算法中容易出现的维数灾难，同时将模糊语言理论和支持向量机的方法结合，提出了一种组合方法，提高了函数逼近的能力。此外，还有一些综合上述三种方法的组合型辨识的方法。
五、结语
近年来，系统辨识的方法得到了不断的发展，系统辨识已经成为了现代控制工程领域中十分重要的技术与研究方向。随着人工神经网络、模糊逻辑理论、遗传算法、人工智能理论的成熟发展，越来越多的新型非线性系统辨识方法被不断提出，且在实际工程应用中得到了有效性验证与较好的效果。但对于现实工程中结构复杂的各种系统难以找到一个统一的系统辨识方法，因此研究需要更多的新型非线性系统辨识方法去解决实际工程应用中出现的问题。对传统的系统辨识方法进行不断完善将是系统辨识未来的发展方向。
参考文献：
[1]王乐一，赵文虓. 系统辨识：新的模式、挑战及机遇[J].自动化学报，2013，39（9）：933-942.
[2]刘通.基于RBF神经网络的某交流伺服系统辨识研究[J].机械制造与自动化，2013，（2）：113-115.
[3]张济民，王开文，池茂儒.基于BP神经网络摆式列车倾摆控制系统的辨识[J] .机床与液压，2003，（5） ：33-35.
[4]崔文峰，史仪凯.移动机器人的键合图建模与参数辨识[J].机械科学与技术，2012，31（7） ：1062-1065.
[5]雷旭升，白浪.基于自适应遗传算法的小型无人旋翼机系统辨识方法[J].机器人，2011，33（5）：528-532.
[6] 赵静，郭巧，王萍.基于遗传算法的人体能量代谢分析系统辨识[J] .控制工程，2004，11（1）：17-19.
[7] 赵宏伟，齐一名，臧雪柏等.基于系统辨识与T—S模糊神经网络的磨矿分级控制[J].吉林大学学报：工学版，2011，41（1） ：171-175.
[8] 李超顺，周建中，安学利等.基于T-S模糊模型的水轮机调节系统辨识[J] .武汉大学学报：工学版，2010，43（1） ：108-111.
[9] 赵志刚，吕恬生，王庚.基于Takagi-Sugeno模糊模型的小型无人直升机系统辨识[J].上海交通大学学报，2008，42（5） ：856-860.
【关键词】系统辨识 神经网络 遗传算法 模糊逻辑
一、引言
系统辨识属于现代控制工程范畴，是以研究建立一个系统的数学模型的技术方法。分析法和实验法是主要的数学模型建立方法。系统辨是一种实验建立数学模型的方法，可实时建模，满足不同模型建立的需求。L.A.Zadeh于1962年提出系统辨识的定义：在输入、输出的基础上，确定一个在一定条件下与所观测系统相等的系统。系统辨识技术主要由系统的结构辨识和系统的参数估计两部分组成。
系统的数学表达式的形式称之为系统的结构。对SISO系统而言，系统的阶次为系统的机构；对多变量线性系统而言，模型结构就是系统的能控性结构指数或能观性结构指数 。但实际应用中难以找到与现有系统等价的模型。因此，系统辨识从实际的角度看是选择一个最好的能拟合实际系统输入输出特性的模型。
本文介绍一些新型的系统辨识方法，体现新型方法的优势，最后得出结论。
二、基于神经网络的非线性系统辨识方法
近年来，人工神经网络得到了广泛的应用，尤其是在模式识别、机器学习、智能计算和数据挖掘方面。人工神经网络具有较好的非线性计算能力、并行计算处理能力和自适应能力，这为非线性系统的辨识提供了新的解决方法。
结合神经网络的系统辨识法被用于各领域的研究，并不断提出改进型方法，取得了较好的进展。如刘通等人使用了径向基函数神经网络对伺服电机进行了辨识，使用了梯度下降方法进行训练，确定系统参数；张济民等人对摆式列车倾摆控制系统进行了改进，使用BP神经对倾摆控制系统进行辨识；崔文峰等人将最小二乘法与传统人工神经网络结合，改善了移动机器人CyCab的运行系统。
与传统的系统识别方法相比较，人工神经网络具有较多优点：
（一）使用神经元之间相连接的权值使得系统的输出可以逐渐进行调整；
（二）可以辨识非线性系统，这种辨识方法是通过神经网络自身来进行，无需编程；
（三）无需对系统建行数模，因为神经网络的参数已都反映在内部；
（四）神经网络的独立性强，它采用的学习算法是它收敛速度的唯一影响因素；
（五）神经网络也适用于在线计算机控制。
三、基于遗传算法的非线性系统辨识方法
遗传算法是一种新型的求解最优算法，它的思想来源于资源遗传学，结合了自然选择的优点与数学概率性算法，具有诸多优点，如全范围的搜索域、求取的解为全局最优和接受任意性质的函数，因此在各领域都有广泛的应用。
雷旭升等人[5]使用了遗传算法对小型无人飞行器的动力学模型进行高精度的构建，并对构建的系统进行了仿真，验证了系统的有效性；赵静等人[6]对人体能量代谢分析仪气体流量系统进行了模型建立，使用遗传算法解决了传统系统辨识方法辨识时产生的较大时延和误差较大的问题。
四、基于模糊理论的非线性系统辨识方法
近年来，模糊逻辑理论在非线性系统辨识领域中得到广泛的应用，用模糊集合理论，从系统输入和输出量测值来辨识系统的模糊模型，是系统辨识的有效途径。模型结构辨识和模型参数预计是模糊建模的主要内容。常用的模型是T-S模型，T-S模型具有计算速度快、结构模型易观、逼近力强等特点。
赵宏伟等人[7]提出了一种基于系统辨识的自适应网络模型，建立T-S推理模型系统，并应用于磨矿控制领域；李超顺等人[8]针对水轮机调节系统的复杂性、非线性和难以用明确数学模型表达的特点，建立了该系统的T-S模型，实现了模糊模型结构的自适应优化；叶剑斌[9]等人针对了现有算法中容易出现的维数灾难，同时将模糊语言理论和支持向量机的方法结合，提出了一种组合方法，提高了函数逼近的能力。此外，还有一些综合上述三种方法的组合型辨识的方法。
五、结语
近年来，系统辨识的方法得到了不断的发展，系统辨识已经成为了现代控制工程领域中十分重要的技术与研究方向。随着人工神经网络、模糊逻辑理论、遗传算法、人工智能理论的成熟发展，越来越多的新型非线性系统辨识方法被不断提出，且在实际工程应用中得到了有效性验证与较好的效果。但对于现实工程中结构复杂的各种系统难以找到一个统一的系统辨识方法，因此研究需要更多的新型非线性系统辨识方法去解决实际工程应用中出现的问题。对传统的系统辨识方法进行不断完善将是系统辨识未来的发展方向。
参考文献：
[1]王乐一，赵文虓. 系统辨识：新的模式、挑战及机遇[J].自动化学报，2013，39（9）：933-942.
[2]刘通.基于RBF神经网络的某交流伺服系统辨识研究[J].机械制造与自动化，2013，（2）：113-115.
[3]张济民，王开文，池茂儒.基于BP神经网络摆式列车倾摆控制系统的辨识[J] .机床与液压，2003，（5） ：33-35.
[4]崔文峰，史仪凯.移动机器人的键合图建模与参数辨识[J].机械科学与技术，2012，31（7） ：1062-1065.
[5]雷旭升，白浪.基于自适应遗传算法的小型无人旋翼机系统辨识方法[J].机器人，2011，33（5）：528-532.
[6] 赵静，郭巧，王萍.基于遗传算法的人体能量代谢分析系统辨识[J] .控制工程，2004，11（1）：17-19.
[7] 赵宏伟，齐一名，臧雪柏等.基于系统辨识与T—S模糊神经网络的磨矿分级控制[J].吉林大学学报：工学版，2011，41（1） ：171-175.
[8] 李超顺，周建中，安学利等.基于T-S模糊模型的水轮机调节系统辨识[J] .武汉大学学报：工学版，2010，43（1） ：108-111.
[9] 赵志刚，吕恬生，王庚.基于Takagi-Sugeno模糊模型的小型无人直升机系统辨识[J].上海交通大学学报，2008，42（5） ：856-860.