基于Hession矩阵优化的NDEKF神经网络辨识永磁直线同步电机

永磁直线同步电动机模型的建立对研究其稳态特性、动态特性和控制策略都是非常重要的.首先,将带外部输入的非线性自回归模型展成多项式形式,然后在此基础上用残差分析法导出真实的阶次所满足的条件.为了克服神经网络结构依靠人工试凑的不足,使用基于Hession矩阵的修剪法来优化其结构.考虑到BP算法的一些固有缺点,使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络.实验证明,网络的输出结果与试验样机(永磁直线同步电动机驱动的垂直运输系统)的实际输出十分接近;同时将NDEKF与BP算法进行对比,NDEKF算法具有收敛较快、泛化能力强、不易陷入局部极小等特点.

NDEKF神经网络辨识永磁直线同步电动机

将带外部输入的非线性自回归模型展开成多项式形式,在此基础上用残差分析法导出真实的阶次所满足的条件。为了克服神经网络结构依靠人工试凑的不足,使用基于Hession矩阵的修剪法来优化其结构。考虑到BP算法的一些固有缺点,使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络。实验证明,网络的输出结果与试验样机的实际输出十分接近;同时将NDEKF与BP算法进行对比,NDEKF算法具有收敛较快、泛化能力强、不易陷入局部极小等特点。

动态驱动神经网络辨识永磁直线同步电动机模型

永磁直线同步电动机(PMLSM)模型的建立对研究其稳态特性、动态特性和控制策略都是非常重要的．本文利用动态驱动神经网络对其进行建模,并在代价函数一致的基础上加入残差分析法来辨识模型的阶次,使得神经网络具有自动识别阶次的能力．为了克服神经网络结构依靠人工试凑的不足,使用基于Hession矩阵的修剪法来优化其结构．考虑到改进BP算法(学习速率自适应、动量项的方法)的一些固有缺点,使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络．实验证明,混合网络能够准确辨识出试验样机的阶次并且输出结果与实际结果十分接近;同时将NDEKF与改进BP算法进行对比,NDEKF算法具有收敛较快、泛化能力强等特点．

TSK网络结构设计:一个基于二阶运算的局部反馈网络

按照局部反馈和易于解释两个原则,本文设计了一个带反馈的二阶TSK网络。网络的结论部分以输入成分的二项式[1,2]作为神经元的导出域。二项式是神经网络领域少见的运算模式,导出域通常为输入与权向量的内积。网络的结论部分借助于延迟反馈引入动态特性,属于局部反馈,所以动态导数计算简洁。TSK网络表征一组If-Then规则,本文网络较采用独立变换[3]和基于G—FGS神经元[4]的网络易于理解。系统辨识的仿真证明本文网络可以很好地辨识动态系统,表明TSK网络拓扑结构设计中使用二阶运算是可行的。