[發明專利]一種噪聲不確定復雜非線性動態系統的建模方法

有效

• 申請號: 201310071400.7
• 申請日: 2013-03-06
• 公開（公告）號: CN103177289A
• 公開（公告）日: 2013-06-26
• 發明（設計）人: 李太福;侯杰;姚立忠;易軍;辜小花
• 申請（專利權）人: 重慶科技學院
• 主分類號: G06N3/02
• 分類號: G06N3/02
• 代理公司: 重慶為信知識產權代理事務所(普通合伙) 50216
• 代理人: 余錦曦

技術領域

本發明屬于智能信息處理技術領域。特別涉及一種基于Gamma?Test噪聲統計值估計的改進kalman濾波神經網絡的一種噪聲不確定復雜非線性動態系統的建模方法。

背景技術

神經網絡統計建模方法，以其良好的非線性逼近能力，取得了很好的工業過程建模效果。但是神經網絡在進行函數逼近時，雖然逼近誤差可以收斂到零的小鄰域里，但是神經網絡權值不能收斂到最優值。換言之，神經網絡通過對現有數據的學習可以準確逼近真實模型，但是神經網絡學習到的信息不能被進一步利用，模型一旦確定就不再調整，是一種靜態建模方法。然而，在實際的工業過程中，“人、機、料、法、環、測”等諸多不確定因素的存在，由原來數據獲得的靜態神經網絡模型就難以適應。因此，一種行之有效的自適應調整算法應被用于對神經網絡模型進行實時更新，保證神經網絡模型始終能夠反映系統的動態特性。Kalman濾波算法能夠根據系統最新測量數據，實時對系統狀態進行調整，實現對系統最近狀態的準確逼近。因此，可以采用Kalman濾波算法根據最新數據信息對靜態神經網絡模型進行更新調整，使得模型能夠隨動態系統的變化而自適應變化，始終保證模型的有效性。由此發展的非線性濾波算法有：擴展Kalman濾波算法(Extended?Kalman?Filter,EKF)和無跡Kalman濾波算法(Unscented?Kalman?Filter,UKF)，被應用于神經網絡的訓練，建立了準確的Kalman神經網絡動態模型。

然而，Kalman濾波算法是建立在噪聲統計值已知的基礎上的，對于噪聲統計值不確定的系統，Kalman濾波的性能將惡化，嚴重時甚至出現濾波發散。采用Kalman神經網絡建模時，也面臨同樣的問題，當噪聲統計值不確定時，Kalman神經網絡的模型精度無法保障，嚴重時發散。復雜工業系統不可避免的存在觀測噪聲，為了得到準確的Kalman神經網絡模型，需要準確計算系統觀測噪聲統計值。

但是，由于工業過程噪聲源不確定，很難對噪聲進行有效監測，在實際應用中常將噪聲統計值置零，這樣勢必影響Kalman神經網絡建模效果。對于噪聲不確定工業系統，由于觀測噪聲不能被有效測量，傳統方法需要對觀測噪聲本身進行估計才可得到準確觀測噪聲統計值，不能解決以上問題。因此，通常的做法是令R={R₁,...R_I,...,R_T}={0,...0,...,0}，也即將Kalman神經網絡的觀測噪聲統計值R矩陣置零，這樣人為的確定噪聲估計值，使得計算用觀測噪聲統計值和實際系統過程噪聲統計值不一致，影響建模效果。

如何建立噪聲不確定工業系統的精確模型成為難點。

發明內容

本發明提出了一種噪聲不確定復雜非線性動態系統的建模方法，基于Gamma?Test噪聲統計值估計的Kalman神經網絡方法，該方法能夠得到噪聲不確定工業過程的噪聲統計值，消除觀測噪聲統計值未知對建模效果的影響，有效保證建模精度。本發明對包括EKF神經網絡(Extended?Kalman?Filter?Artificial?Neural?Network,EKFNN)和UKF神經網絡(Unscented?Kalman?Filter?Artificial?Neural?Network,UKFNN)的kalman神經網絡進行了研究，其關鍵在于按如下步驟進行：

步驟1：對工業生產過程進行數據采集，所得數據為[X_MN,Y],其中：M為輸入變量數，N為采集數據輸入參數，Y為工業過程目標輸出參數。對生產過程數據進行預處理，得到受噪聲影響最小，最能反映出生產過程實際特性的有效數據：

1.1：進行粗大誤差數據剔除，粗大誤差數據剔除后，[X_MN,Y]減少為[X_MH,Y_H](H≤N)；

粗大誤差數據剔除的具體方法為：若X中某輸入變量的取值比其附近其他樣本點的值較大（小），差異大小可由人為確定一個閾值，出現明顯的波動，則剔除該數據樣本點，數據減少為[X_MH,Y_H](H≤N)；

1.2：進行3σ準則處理，3σ準則處理后，[X_MH,Y_H](H≤N)減少為[X_MT,Y_T](T≤H)；