CN119396012A 一种基于工业过程的Hammerstein非线性动态系统辨识方法及系统 （北京科技大学）

一种基于工业过程的Hammerstein非线性动Hammerstein非线性动态系统辨识方法及系统，涉及系统辨识技术领域，方法包括：采集Hammerstein非线性动态系统的历史数据作为数据集；设置RBF神经网络的相关参数；通过K_心点；通过最近邻Brute方法计算神经元中心点的标准偏差；计算RBF神经网络隐藏层的隐藏层输出矩阵；确定Hammerstein非线性动态系统的系统参数；计算Hammerstein非线性动态系统的小于预设均方误差或者迭代次数是否达到预设Hammerstein非线性动态系统的整体辨识结果，2S4：根据所述神经元中心点，通过最近邻Brute方法计算所述神经元中心点的标准偏S8：结合所述输出估计值和所述Hammerstein非线性动态系统的实际输出值计算均方S9：判断所述均方误差是否小于预设均方误差或者迭代次数是否达到预设迭代次数；2.根据权利要求1所述的基于工业过程的Hammer3.根据权利要求1所述的基于工业过程的Hamme4.根据权利要求1所述的基于工业过程的Hammerstein;35.根据权利要求4所述的基于工业过程的Hamme;;;;kk和xk分别表示Hammerstein非线性动态系统在第k时刻的控制输入、系统输性动态系统在第k时刻的噪声信号，K表示卡尔曼增益，wi表示输出层的权重，i=1,传递矩阵，W表示权重矩阵，表示Hammerstein非线性动态系统6.根据权利要求5所述的基于工业过程的Hammerst;其中，表示第k时刻的隐藏层输出矩阵经过非系统输出矩阵经过非线性变换后的序列，D,表示过去输入特征矩阵，表4;;;U2表示左奇异向量矩阵，S1表示非零奇异值对角矩阵，r'和:表示右奇异向;;;5;7.根据权利要求6所述的基于工业过程的Hamme;其中，表示第k时刻的输出估计值，表示k_1时刻的估计状态向量，n:表示Hammerstein非线性动态系统在第k时刻的隐藏层输出矩阵，pr-i表示Hammerstein非线性8.根据权利要求7所述的基于工业过程的Hammers;9.根据权利要求1所述的基于工业过程的Hammerst6;存储器，所述存储器上存储有计算机可读指令，所述计算机行时，实现如权利要求1至9中任一项所述的基于工业过程的Hammerstein非线性动态系统7[0001]本发明涉及系统辨识技术领域，特别是指一种基于工业过程的Hammerstein非线[0002]Hammerstein非线性动态系统辨识方法是一种用于识别和建模工业过程中非线性安全和经济效果十分显著，但大部分先进控制技术的实施需要以精确的数学模型为基础，和辨识精度的技术问题，本发明提供了一种基于工业过程的Hammerstein非线性动态系统[0008]本发明实施例提供的一种基于工业过程的Hammerstein非线性动态系统辨识方8[0017]S9：判断均方误差是否小于预设均方误差或者迭代次数是否[0019]本发明实施例提供的一种基于工业过程的Hammerstein非线性动态系统辨识系如第一方面的基于工业过程的Hammerstein被处理器执行时实现如第一方面的基于工业过程的Hammerstein非线性动态系统辨识方[0025]在本发明中，通过收集大量历史数据并基于这些数据设置RBF神经网络的初始参[0027]图1为本发明实施例提供的一种基于工业过程的Hammerstein非线性动态系统辨[0028]图2为本发明实施例提供的一种基于工业过程的Hammerstein非线性动态系统辨9[0035]本发明实施例提供了一种基于工业过程的Hammerstein非线性动态系统辨识方了用于训练模型的数据量，训练迭代次数设定了训练过程中前向和反向传播的重复次数，符合数据的真实结构，能够增强RBF网络对数据特征的捕捉能力，加速神经网络的训练过整个模型对Hammerstein非线性动态系统动态行为的学习[0056]需要时说明的是，计算RBF神经网络隐藏层的输出矩阵能够有效地捕捉和表达输表示扩展传递矩阵，W表示权重矩阵，表示Hammerstein非线性动[0067]需要说明的是，确定Hammerstein非线性动态系统的系统参数能够准确地从复杂刻的系统输出矩阵经过非线性变换后的序列，D,表示过去输入特征矩阵，表示未来和U2表示左奇异向量矩阵，S1表示非零奇异值对角矩阵，r'和:表示右奇表示L矩阵的第一行至第n行组成的子矩阵，表示L矩阵的第n+1行至第n+m行组成的子应的子矩阵，Kij表示K矩阵第i个分块行和第j个分块列对应的子矩阵，i=1或2，j=1,矩阵第i个分块行和第j个分块列对应的子矩阵表示为Hammerstein非线性动态系统在第k时刻的隐藏层输出矩阵，pt-i表示Hammerstein非线性[0100]S9：判断均方误差是否小于预设均方误差或者迭代次数是否[0108]在本发明中，通过收集大量历史数据并基于这些数据设置RBF神经网络的初始参[0110]本发明还提供一种基于工业过程的Hammerstein非线性动态系统辨识系统20，应[0113]本发明提供的基于工业过程的Hammerstein非线性动态系统辨识系统20能够执行上述的基于工业过程的Hammerstein非线性动态系统辨识方法，并实现相同或相似的技术[0115]在本发明中，通过收集大量历史数据并基于这些数据设置RBF神经网络的初始参unit，CPU该处理器还可以是其他通用处理器、数字信号处理器（digitalsignal可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read_速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（randomaccess算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个处理器执行时实现如方法实施例的基于工业过程的Hammerstein非线性动态系统辨识方[0129]本发明