[发明专利]一种噪声不确定复杂非线性动态系统的建模方法

说明书

技术领域

本发明属于智能信息处理技术领域。特别涉及一种基于Gamma Test噪声统计值估计的改进kalman滤波神经网络的一种噪声不确定复杂非线性动态系统的建模方法。

背景技术

神经网络统计建模方法，以其良好的非线性逼近能力，取得了很好的工业过程建模效果。但是神经网络在进行函数逼近时，虽然逼近误差可以收敛到零的小邻域里，但是神经网络权值不能收敛到最优值。换言之，神经网络通过对现有数据的学习可以准确逼近真实模型，但是神经网络学习到的信息不能被进一步利用，模型一旦确定就不再调整，是一种静态建模方法。然而，在实际的工业过程中，“人、机、料、法、环、测”等诸多不确定因素的存在，由原来数据获得的静态神经网络模型就难以适应。因此，一种行之有效的自适应调整算法应被用于对神经网络模型进行实时更新，保证神经网络模型始终能够反映系统的动态特性。Kalman滤波算法能够根据系统最新测量数据，实时对系统状态进行调整，实现对系统最近状态的准确逼近。因此，可以采用Kalman滤波算法根据最新数据信息对静态神经网络模型进行更新调整，使得模型能够随动态系统的变化而自适应变化，始终保证模型的有效性。由此发展的非线性滤波算法有：扩展Kalman滤波算法(Extended Kalman Filter,EKF)和无迹Kalman滤波算法(Unscented Kalman Filter,UKF)，被应用于神经网络的训练，建立了准确的Kalman神经网络动态模型。

然而，Kalman滤波算法是建立在噪声统计值已知的基础上的，对于噪声统计值不确定的系统，Kalman滤波的性能将恶化，严重时甚至出现滤波发散。采用Kalman神经网络建模时，也面临同样的问题，当噪声统计值不确定时，Kalman神经网络的模型精度无法保障，严重时发散。复杂工业系统不可避免的存在观测噪声，为了得到准确的Kalman神经网络模型，需要准确计算系统观测噪声统计值。

但是，由于工业过程噪声源不确定，很难对噪声进行有效监测，在实际应用中常将噪声统计值置零，这样势必影响Kalman神经网络建模效果。对于噪声不确定工业系统，由于观测噪声不能被有效测量，传统方法需要对观测噪声本身进行估计才可得到准确观测噪声统计值，不能解决以上问题。因此，通常的做法是令R={R₁,...R_I,...,R_T}={0,...0,...,0}，也即将Kalman神经网络的观测噪声统计值R矩阵置零，这样人为的确定噪声估计值，使得计算用观测噪声统计值和实际系统过程噪声统计值不一致，影响建模效果。

如何建立噪声不确定工业系统的精确模型成为难点。

发明内容

本发明提出了一种噪声不确定复杂非线性动态系统的建模方法，基于Gamma Test噪声统计值估计的Kalman神经网络方法，该方法能够得到噪声不确定工业过程的噪声统计值，消除观测噪声统计值未知对建模效果的影响，有效保证建模精度。本发明对包括EKF神经网络(Extended Kalman Filter Artificial Neural Network,EKFNN)和UKF神经网络(Unscented Kalman Filter Artificial Neural Network,UKFNN)的kalman神经网络进行了研究，其关键在于按如下步骤进行：

步骤1：对工业生产过程进行数据采集，所得数据为[X_MN,Y],其中：M为输入变量数，N为采集数据输入参数，Y为工业过程目标输出参数。对生产过程数据进行预处理，得到受噪声影响最小，最能反映出生产过程实际特性的有效数据：

1.1：进行粗大误差数据剔除，粗大误差数据剔除后，[X_MN,Y]减少为[X_MH,Y_H](H≤N)；

粗大误差数据剔除的具体方法为：若X中某输入变量的取值比其附近其他样本点的值较大（小），差异大小可由人为确定一个阈值，出现明显的波动，则剔除该数据样本点，数据减少为[X_MH,Y_H](H≤N)；

1.2：进行3σ准则处理，3σ准则处理后，[X_MH,Y_H](H≤N)减少为[X_MT,Y_T](T≤H)；