人工神经网络讲义引言定义系统辨识的原理图基本问题误差准则的确定输出误差逆模型辨识误差广义误差例:s的差分方程NNI原理神经网络辨识系统结构示意图TDLNNI的理论依据NNI的优点NNI的一般结构引言对象NLmodel描述状态方程四种形式辨识结构并联模型串并联模型基于BP网络的辨识(p177)流程图考虑SISO问题NN的输入输出关系各层输入输出关系权系数修改法则算法步骤3.2.5BP网络逼近仿真实例仿真例模型辨识前数据的预处理三温区电加热炉系统辨识网络炉温目标输出与实际输出局部放大图几种算法学习训练时间比较对象输出与模型输出曲线图3.2RBF网络的逼近图3-14RBF神经网络逼近使用RBF网络逼近下列对象：7.4回归神经网络对角回归型神经网络（DRNN：DiagonalRecurrentNeuralNetwork）是具有反馈的动态神经网络，该网络能够更直接更生动地反映系统的动态特性，它在BP网络基本结构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力，DRNN网络代表了神经网络建模和控制的方向。3.4.1DRNN网络结构DRNN网络是一种三层前向网络，其隐含层为回归层。正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。反向传播就是将误差信号（理想输出与实际输出之差）按联接通路反向计算，由梯度下降法调整各层神经元的权值和阈值，使误差信号减小。DRNN网络结构如图7-18所示。图3-18DRNN神经网络结构图3-19DRNN神经网络逼近3.4.3DRNN网络逼近仿真实例基于Hopfield网络的辨识(p216)系统Hopfield网络辨识框图式中NN为Hopfield网络时例神经网络原理神经网络原理逆动力学系统的建模问题的提出NL系统的可逆性定义建模方法直接逆系统法正逆系统法对象—正模型—逆模型学习法基于BP网络的逆模型辨识基于3层MADALINE网的逆模型算法学习算法权阵修正算法定义例(p216)基于神经网络的系统辨识工具箱训练算法非线性系统的模型形式示例matlab命令辨识结果检验结果相关函数总结