基于系统辨识的神经网络鲁棒性研究

2006-05-07 15:49:30来源: 电子技术应用

Elman、RBF网络算法的鲁棒性,进行了分析、比较和研究,最后给出了仿真结果。

1 三种神经网络的鲁棒性分析

    有的文献将神经网络的鲁棒性与泛化能力混为一谈,比如将采用双BP算法,使网络输入值变化很小时,网络输出值基本不变看成是网络的泛化性。所以首先要明确什么是神经网络的鲁棒性。对于前向无反馈神经网络而言,神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时,神经网络仍能保持正常的输入—输出关系的特性;对于反馈神经网络而言,神经网络的鲁棒性是指当输入信息或神经网络发生有限摄动时,神经网络仍能保持稳定的输入—输出关系的特性。

    神经网络的鲁棒性依赖于神经网络参数位置和它附近系统误差曲面的具体形态。神经网络参数设计在极值点附近而其附近的形态误差曲面又比较平缓时,网络的鲁棒性就好,否则鲁棒性就差。使系统误差曲面在设计处平缓的主要方法是选用平滑的变换函数,但平滑的变换函数又不利于提高网络的学习速度。BP网络、Elman网络、RBF网络的变换函数都是平滑的,所以问题的关键就是网络参数能否在极值点附近。

    下面通过一个动态系统的实例进行分析。

    动态系统的函数映射关系式为:



    输入函数采用:



    图1给出了系统的输入—输出延迟—输出的三维图,把输入和输出延迟都作为自变量时,就为利用静态网络辨识静态系统提供了可能性。

    该动态系统的函数映射关系实际是基于NARMA模型的函数形式,因此可以把系统输入、输出和它们的延迟值同时作为静态神经网络的输入,从而使得静态神经网络能映射NARMA模型类的动态系统。NARMA模型是一种统一的有限可实现非线性系统的表达式。

图2、图3分别为BP/Elman、RBF网络辨识系统的效果图。

2 仿真结果

    在上述所研究的系统中的输入上附加一随机量,如图4所示。它类似于工业过程中的噪声污染。
通过训练好的神经网络来模拟输出,并与系统的实际输出比较。从图5、图6、图7中可明显看出BP网络、Elman网络的模拟输出比较光滑,没有出现大的跃变,且与实际输出差值不大,而RBF网络与前者的最大差别是会出现大幅度的跃变。这是由于噪声的影响,受噪声污染的输入偏离了训练样本集中的输入,从而偏离了径向基函数的中心,这样其输出与真实值相差就很大。

    从仿真结果中可知:RBF网络的最大优点是收敛速度快、逼近精度高、训练结果唯一;而最大的不足是泛化性能较差,所以当其输入偏离训练样本集时,系统表现出的鲁棒性就会很差。但它在时变快、学习样本集可基本覆盖整个系统的状态的情况下具有明显的优越性。所以针对系统的辨识与控制研究神经网络的鲁棒性是非常必要的。
 

编辑: 引用地址:http://www.eeworld.com.cn/designarticles/sensor/200605/1310.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。
论坛活动 E手掌握
微信扫一扫加关注
论坛活动 E手掌握
芯片资讯 锐利解读
微信扫一扫加关注
芯片资讯 锐利解读
推荐阅读
全部

小广播

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版

站点相关: 安防电子 医疗电子 工业控制

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2016 EEWORLD.com.cn, Inc. All rights reserved