[發明專利]一種用于系統辨識的神經網絡訓練集構造方法

在審

• 申請號: 202011223533.8
• 申請日: 2020-11-05
• 公開（公告）號: CN112364978A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 李秀坤;王集;于歌;董建維
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種用于系統辨識的神經網絡訓練集構造方法，本發明先利用成熟的線性系統理論，將系統近似為線性系統進行預處理。首先利用自相關函數，大致計算出系統的最佳階數，然后利用譜估計技術計算白化濾波器獲得預訓練過程中的參考信號。最后以參考信號和系統輸出的均方誤差作為評價準則，找到最佳階數的精確值。利用此精確值，即可構造用于系統辨識的數據集，提高神經網絡性能。利用該方法構造的數據集可以使完成系統辨識任務的神經網絡快速收斂，并且具有較高的辨識性能。

技術領域

本發明涉及一種用于系統辨識的神經網絡訓練集構造方法，屬于基于神經網絡方法的系統辨識技術領域。

背景技術

在各種科學和工程問題中，因果聯系是一種必然的聯系，不同的原因導致不同的結果，當我們確知某個問題的數學模型(內因)，根據輸入條件(外因)來求取相應的結果時，由原因導致相應結果的映射是正向的，這種由因求果的問題就構成一個正問題，或稱正演。反之，若通過觀測手段得知結果，并由結果來反推模型或輸入條件時，這種由果求因的問題則為反問題，或稱反演。當需要利用反演一個系統的相關參數時，則稱為系統辨識。

所謂系統辨識，就是在已知輸入和輸出的基礎上，由規定的一類系統模型中確定一個系統模型，使之與被測系統等價。需要注意的是，系統辨識的任務不是完全地將原系統反演出來，而是通過計算得到一個等價的系統，該系統可以與原系統不同，但它的行為與原系統相同，這就是此處“等價”所表達的意義。這一要求就使得系統辨識變得靈活許多。例如，在線性系統中，有限沖激響應濾波器和無限沖激響應濾波器是兩種不同的系統，但是只要階數足夠大，那么就可以用一種濾波器完全地替代另一種濾波器。這就是說，即使原系統為無限沖激響應系統，也可以利用利用系統辨識方法反演出足夠大階數的有限沖激響應系統，該系統可以替代原系統，因為它們具有相同的輸入-輸出特性。

在社會和生產中，系統辨識問題有著重要作用。例如，在自動化領域中，能否利用系統辨識方法得到運動系統的準確模型，是控制問題的關鍵。因而，提高系統辨識的精度，對于系統辨識在工程的實際應用具有很大意義。

系統辨識方法按照系統類型可以分為線性系統辨識和非線性系統辨識。其中，線性系統辨識由于模型簡單，實現便捷，已經被深入研究并總結出了一套成熟的方法。典型代表有最小二乘辨識方法、最大似然辨識方法和梯度辨識法。這些理論和方法已經在工程實際中得到了廣泛的應用。然而在現實情況中，非線性往往普遍存在，線性只是非線性在某些條件下的近似。因而非線性系統辨識方法的研究更具有實用價值。但是，由于非線性系統種類眾多，理論復雜，找不到統一的設計模式，所以非線性系統辨識方法仍然是領域內的研究重點。

非線性系統辨識方法主要包括Volterra級數分解法，NARMAX模型子集法，H_∞控制理論，擴展卡爾曼濾波算法，微分幾何法和神經網絡方法。其中，神經網絡方法由于具有強大的非線性表達能力，并且結構靈活，所以近年受到廣泛的關注。實際上，只要有足夠多的數據、足夠多數量的神經元和足夠多的層數，神經網絡方法可以表描述任意復雜的線性和非線性系統。

神經網絡方法中，影響辨識效果的一個重要參數就是訓練集的構造方法。由于神經網絡方法需要大量的數據集進行訓練，并且網絡性能較大程度上受到訓練集質量的影響，因而如何構造合理的訓練集是神經網絡方法中必須重點考慮的問題。訓練集構造不合理，不僅可能使得收斂速度慢，使用更多的神經元，甚至可能得到完全錯誤的辨識結果。反之，構造合理的訓練集能夠使網絡快速收斂，得到更加精確的結果，還可以減少神經元數量和神經網絡層數，大大降低了計算成本，以及減少過擬合現象，允許系統使用結構更簡單的神經網絡達到辨識目的。

發明內容

針對上述現有技術，本發明要解決的技術問題是提供一種使得基于神經網絡方法的系統辨識得到更好的性能的用于系統辨識的神經網絡訓練集構造方法。

為解決上述技術問題，本發明的一種用于系統辨識的神經網絡訓練集構造方法，包括以下步驟：