基于人工神经网络的系统辩识：MATLAB源码分享，开环网络表现更准确

基于人工神经网络的系统辩识（MATLAB源码分享）
该示例文件显示了使用高斯白噪声下2DOF系统的人工神经网络（ANN）进行系统辩识。
神经网络由输入层，输出层，隐藏层组成：
-输入层：2个节点使用当前步骤的力，2个节点使用开环反馈前一步骤的位移
-隐藏层：2个节点用于两个内部状态，因为2DOF系统具有2种模式
-输出层：用于位移的2个节点
在训练并获得预测输出后，将网络转换为闭环网络并再次训练（闭环网络使用前一步的预测反馈而不是实际反馈）。
将开环和闭环网络的预测输出与图中的实际输出进行了比较。
结果表明，由于前一步的实际输出可用，开环网络比闭环网络更准确。

ID:1930691058965501

TB_37350532

基于人工神经网络的系统辩识

摘要：本文介绍了使用人工神经网络（ANN）进行系统辩识的方法。通过一个基于2DOF系统的示例，展示了神经网络在系统辩识中的应用。具体而言，我们讨论了神经网络的结构以及其在训练过程中的使用方法。通过对比开环网络和闭环网络的预测输出与实际输出，我们发现开环网络在系统辩识中具有更高的准确性。本文还提供了基于MATLAB的源码分享，可供读者参考和应用。

1. 引言
   在控制系统的设计和优化过程中，系统辩识是一个重要的环节。通过对系统进行辩识，我们可以获取系统的动态特性和响应特性等信息，从而为后续的控制器设计提供参考。近年来，人工神经网络在系统辩识领域取得了显著的进展，其在非线性和复杂系统的辩识中具有独特的优势。本文将介绍一种基于人工神经网络的系统辩识方法，并通过一个实例来展示其应用。

2. 神经网络结构
   神经网络通常由输入层、输出层和隐藏层组成。在本实例中，输入层包括四个节点，其中两个节点用于输入当前步骤的力，另外两个节点用于输入开环反馈前一步骤的位移。隐藏层包括两个节点，用于表示系统的两个内部状态，因为2DOF系统具有两种模式。输出层包括两个节点，用于表示位移。

3. 网络训练与预测
   在进行系统辩识之前，我们需要对神经网络进行训练。训练过程中，我们使用已知的输入和对应的实际输出，通过调整网络的权重和偏置来减小预测输出与实际输出之间的误差。训练完成后，我们可以使用网络进行预测。根据给定的输入，网络将输出对应的预测输出。

4. 开环网络与闭环网络
   在本示例中，我们使用开环网络和闭环网络进行系统辩识。开环网络使用前一步的实际输出作为反馈，进行预测输出。闭环网络使用前一步的预测输出作为反馈，进行预测输出。通过将网络转换为闭环网络并再次训练，我们可以比较开环网络和闭环网络的预测输出与实际输出，评估其辩识的准确性。

5. 结果分析
   通过将开环网络和闭环网络的预测输出与实际输出进行比较，我们可以评估网络的辩识准确性。在本实例中，我们发现开环网络比闭环网络具有更高的准确性。这是由于开环网络使用了前一步的实际输出作为反馈，可以更好地捕捉系统的实际动态特性。

6. 结论
   本文介绍了基于人工神经网络的系统辩识方法，并通过一个基于2DOF系统的实例进行了展示。该方法能够有效地辩识非线性和复杂系统，并得到较高的辩识准确性。本文还分享了基于MATLAB的源码，可供读者参考和应用。通过阅读本文，读者可以了解到如何将人工神经网络应用到系统辩识中，并为后续的控制器设计提供参考和指导。

关键词：人工神经网络，系统辩识，开环网络，闭环网络，MATLAB源码

注：本文仅为示例，实际应用中需根据具体情况进行调整和改进。

【相关代码 程序地址】： http://nodep.cn/691058965501.html