[发明专利]一种非线性系统辨识方法

说明书

本发明涉及一种非线性系统辨识方法，包括：S1：选取多个不同的非线性系统，针对每个非线性系统，采集其对应的多个离散样本，将所有非线性系统的所有离散样本组成训练集；S2：对训练集中的离散的样本进行升维处理；S3：构建宽度学习模型，通过升维处理后的训练集和粒子群优化算法对宽度学习模型的模型参数进行优化训练，使得训练后的宽度学习模型对应的误差函数的值最小；S4：通过训练后的宽度学习模型对非线性系统进行辨识。本发明提出了一种通过宽度学习与粒子群优化算法相结合的方法对非线性系统进行辨识，在预测精度和抗干扰方面都表现出明显的优势。

技术领域

本发明涉及系统辨识领域，尤其涉及一种非线性系统辨识方法。

背景技术

非线性动态系统广泛存在于诸如通信、控制、模式辨识等领域中，系统辨识的目的是要建立被控系统的逼近模型，可以用于分析系统的性能、动态或静态响应特性来改进系统的结构和参数，因此受到许多学者的广泛的关注。动态系统在不同的应用领域中，工程师会面临各种问题。比如在控制领域中，遇到最常见的问题是系统的辨识和控制，并不像静态系统那样简单。如今已有来自不同领域的研究人员已经开发出几种方法对系统辨识构建数学模型。

由于在现实生活中，大多数系统都是非线性的，因此在系统辨识的过程中的第一步就是如何选择一个实际有效的模型。为了处理非线性问题，许多智能的模型(例如神经网络)非常流行。通过基于模糊含义来建立系统的模糊模型，但由于系统的而出发点和性能指标的不同，容易产生较大的差异。现有的技术采用二阶Volterra模型，其可以有效的捕获输入-输出数据中的动态变化，但在辨识非线性系统时表现一般。(参考文献：R.K.Pearson,“Identification of structurally constrained second-order Volterra models,”IEEE Transactions on Signal Processing.,vol.44,no.11,pp.2837-2846,1996.)使用神经网络作为辨识非线性系统，已成为一种有效的工具(参考文献：K.S.Narendra,“Identification and control ofdynamical systems using neural networks,”IEEETrans Neural Netw.,vol.128,pp.56-63,Jun.2019.)。由于大多数网络都受到耗时的训练过程的影响，涉及复杂的结构，许多研究需要高性能计算和强大的设施。最近，Chen和Liu开发了一种非常快速有效的判别学习-广泛学习系统(BLS)(参考文献：C.L.P.Chen,Z.L.Liu,“Broad learning system:An effective and efficient incremental learning systemwithout the need for deep architecture,”EEE Transactions on Neural Networksand Learning Systems.,vol.29,no.1,pp.10-24,Jan.2018.)。在没有堆叠层结构的情况下，设计的神经网络广泛地扩展神经节点并且在需要附加节点时以及当输入数据连续地进入神经网络时递增地更新神经网络的权重。因此BLS结构非常适合在时变大数据环境中进行建模和学习。