光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2011年
6期
1406-1413
,共8页
李迪%陈向坚%续志军%杨帆%牛文达
李迪%陳嚮堅%續誌軍%楊帆%牛文達
리적%진향견%속지군%양범%우문체
自组织递归区间%二型模糊神经网络%卡尔曼滤波%梯度下降法%噪声干扰%动态时变系统辨识
自組織遞歸區間%二型模糊神經網絡%卡爾曼濾波%梯度下降法%譟聲榦擾%動態時變繫統辨識
자조직체귀구간%이형모호신경망락%잡이만려파%제도하강법%조성간우%동태시변계통변식
针对动态时变系统辨识过程中存在噪声干扰的问题,本文将区间二型模糊集结合到递归神经网络中,提出了自组织递归区间二型模糊神经网络以增强动态时变系统的抗噪能力.该自组织递归区间二型模糊神经网络由前件和后件两部分构成:前件为区间二型模糊集模型,用于将每个规则的激活强度反馈到自身构成内反馈回路,其参数学习采用梯度下降算法；后件为带有区间权值的Takagi-Sugeno-Kang(TSK)模型,其参数学习采用有序规则卡尔曼滤波算法,且网络初始规则数为零.所有规则均通过结构学习和前后件参数同时在线学习来产生,其网络结构学习采用的是在线区间二型模糊群集.为验证提出的神经网络的优越性,将其应用到单输入单输出动态时变系统的辨识中.实验结果表明,相对于前馈一型/二型模糊神经网络、递归一型模糊神经网络,该神经网络的辨识能力强,即使在存在白噪声的条件下,也能减小测试及训练误差.
針對動態時變繫統辨識過程中存在譟聲榦擾的問題,本文將區間二型模糊集結閤到遞歸神經網絡中,提齣瞭自組織遞歸區間二型模糊神經網絡以增彊動態時變繫統的抗譟能力.該自組織遞歸區間二型模糊神經網絡由前件和後件兩部分構成:前件為區間二型模糊集模型,用于將每箇規則的激活彊度反饋到自身構成內反饋迴路,其參數學習採用梯度下降算法；後件為帶有區間權值的Takagi-Sugeno-Kang(TSK)模型,其參數學習採用有序規則卡爾曼濾波算法,且網絡初始規則數為零.所有規則均通過結構學習和前後件參數同時在線學習來產生,其網絡結構學習採用的是在線區間二型模糊群集.為驗證提齣的神經網絡的優越性,將其應用到單輸入單輸齣動態時變繫統的辨識中.實驗結果錶明,相對于前饋一型/二型模糊神經網絡、遞歸一型模糊神經網絡,該神經網絡的辨識能力彊,即使在存在白譟聲的條件下,也能減小測試及訓練誤差.
침대동태시변계통변식과정중존재조성간우적문제,본문장구간이형모호집결합도체귀신경망락중,제출료자조직체귀구간이형모호신경망락이증강동태시변계통적항조능력.해자조직체귀구간이형모호신경망락유전건화후건량부분구성:전건위구간이형모호집모형,용우장매개규칙적격활강도반궤도자신구성내반궤회로,기삼수학습채용제도하강산법；후건위대유구간권치적Takagi-Sugeno-Kang(TSK)모형,기삼수학습채용유서규칙잡이만려파산법,차망락초시규칙수위령.소유규칙균통과결구학습화전후건삼수동시재선학습래산생,기망락결구학습채용적시재선구간이형모호군집.위험증제출적신경망락적우월성,장기응용도단수입단수출동태시변계통적변식중.실험결과표명,상대우전궤일형/이형모호신경망락、체귀일형모호신경망락,해신경망락적변식능력강,즉사재존재백조성적조건하,야능감소측시급훈련오차.
