專利名稱：一種噪聲不確定復(fù)雜非線性動(dòng)態(tài)系統(tǒng)的建模方法
技術(shù)領(lǐng)域：
本發(fā)明屬于智能信息處理技術(shù)領(lǐng)域。特別涉及一種基于Ga_a Test噪聲統(tǒng)計(jì)值估計(jì)的改進(jìn)kalman濾波神經(jīng)網(wǎng)絡(luò)的一種噪聲不確定復(fù)雜非線性動(dòng)態(tài)系統(tǒng)的建模方法。
背景技術(shù)：
神經(jīng)網(wǎng)絡(luò)統(tǒng)計(jì)建模方法，以其良好的非線性逼近能力，取得了很好的工業(yè)過程建模效果。但是神經(jīng)網(wǎng)絡(luò)在進(jìn)行函數(shù)逼近時(shí)，雖然逼近誤差可以收斂到零的小鄰域里，但是神經(jīng)網(wǎng)絡(luò)權(quán)值不能收斂到最優(yōu)值。換言之，神經(jīng)網(wǎng)絡(luò)通過對(duì)現(xiàn)有數(shù)據(jù)的學(xué)習(xí)可以準(zhǔn)確逼近真實(shí)模型，但是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的信息不能被進(jìn)一步利用，模型一旦確定就不再調(diào)整，是一種靜態(tài)建模方法。然而，在實(shí)際的工業(yè)過程中，“人、機(jī)、料、法、環(huán)、測(cè)”等諸多不確定因素的存在，由原來數(shù)據(jù)獲得的靜態(tài)神經(jīng)網(wǎng)絡(luò)模型就難以適應(yīng)。因此，一種行之有效的自適應(yīng)調(diào)整算法應(yīng)被用于對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)時(shí)更新，保證神經(jīng)網(wǎng)絡(luò)模型始終能夠反映系統(tǒng)的動(dòng)態(tài)特性。Kalman濾波算法能夠根據(jù)系統(tǒng)最新測(cè)量數(shù)據(jù)，實(shí)時(shí)對(duì)系統(tǒng)狀態(tài)進(jìn)行調(diào)整，實(shí)現(xiàn)對(duì)系統(tǒng)最近狀態(tài)的準(zhǔn)確逼近。因此，可以采用Kalman濾波算法根據(jù)最新數(shù)據(jù)信息對(duì)靜態(tài)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新調(diào)整，使得模型能夠隨動(dòng)態(tài)系統(tǒng)的變化而自適應(yīng)變化，始終保證模型的有效性。由此發(fā)展的非線性濾波算法有:擴(kuò)展Kalman濾波算法(Extended Kalman Filter, EKF)和無跡Kalman濾波算法(Unscented Kalman Filter, UKF),被應(yīng)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,建立了準(zhǔn)確的Kalman神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)模型。然而，Kalman濾波算法是建立在噪聲統(tǒng)計(jì)值已知的基礎(chǔ)上的，對(duì)于噪聲統(tǒng)計(jì)值不確定的系統(tǒng)，Kalman濾波的性能將惡化，嚴(yán)重時(shí)甚至出現(xiàn)濾波發(fā)散。采用Kalman神經(jīng)網(wǎng)絡(luò)建模時(shí)，也面臨同樣的問題，當(dāng)噪聲統(tǒng)計(jì)值不確定時(shí)，Kalman神經(jīng)網(wǎng)絡(luò)的模型精度無法保障，嚴(yán)重時(shí)發(fā)散。復(fù)雜工業(yè)系統(tǒng)不可避免的存在觀測(cè)噪聲，為了得到準(zhǔn)確的Kalman神經(jīng)網(wǎng)絡(luò)模型，需要準(zhǔn)確計(jì)算系統(tǒng)觀測(cè)噪聲統(tǒng)計(jì)值。但是，由于工業(yè)過程噪聲源不確定，很難對(duì)噪聲進(jìn)行有效監(jiān)測(cè)，在實(shí)際應(yīng)用中常將噪聲統(tǒng)計(jì)值置零，這樣勢(shì)必影響Kalman神經(jīng)網(wǎng)絡(luò)建模效果。對(duì)于噪聲不確定工業(yè)系統(tǒng)，由于觀測(cè)噪聲不能被有效測(cè)量，傳統(tǒng)方法需要對(duì)觀測(cè)噪聲本身進(jìn)行估計(jì)才可得到準(zhǔn)確觀測(cè)噪聲統(tǒng)計(jì)值，不能解決以上問題。因此，通常的做法是令R= {凡，...R1,...,RT} = {0,...0,
0}，也即將Kalman神經(jīng)網(wǎng)絡(luò)的觀測(cè)噪聲統(tǒng)計(jì)值R矩陣置零，這樣人為的確定噪聲估計(jì)值，使得計(jì)算用觀測(cè)噪聲統(tǒng)計(jì)值和實(shí)際系統(tǒng)過程噪聲統(tǒng)計(jì)值不一致，影響建模效果。如何建立噪聲不確定工業(yè)系統(tǒng)的精確模型成為難點(diǎn)。

發(fā)明內(nèi)容
本發(fā)明提出了一種噪聲不確定復(fù)雜非線性動(dòng)態(tài)系統(tǒng)的建模方法，基于Gamma Test噪聲統(tǒng)計(jì)值估計(jì)的Kalman神經(jīng)網(wǎng)絡(luò)方法，該方法能夠得到噪聲不確定工業(yè)過程的噪聲統(tǒng)計(jì)值，消除觀測(cè)噪聲統(tǒng)計(jì)值未知對(duì)建模效果的影響，有效保證建模精度。本發(fā)明對(duì)包括EKF神經(jīng)網(wǎng)絡(luò)(Extended Kalman Filter Artificial Neural Network, EKFNN)和 UKF 神經(jīng)網(wǎng)絡(luò)(Unscented Kalman Filter Artificial Neural Network, UKFNN)的 kalman 神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究，其關(guān)鍵在于按如下步驟進(jìn)行:步驟1:對(duì)工業(yè)生產(chǎn)過程進(jìn)行數(shù)據(jù)采集，所得數(shù)據(jù)為[Xm，Y]，其中:M為輸入變量數(shù)，N為采集數(shù)據(jù)輸入?yún)?shù)，Y為工業(yè)過程目標(biāo)輸出參數(shù)。對(duì)生產(chǎn)過程數(shù)據(jù)進(jìn)行預(yù)處理，得到受噪聲影響最小，最能反映出生產(chǎn)過程實(shí)際特性的有效數(shù)據(jù):1.1:進(jìn)行粗大誤差數(shù)據(jù)剔除，粗大誤差數(shù)據(jù)剔除后，[Xm，Y]減少為[Xmh, Yh](H^ N)；粗大誤差數(shù) 據(jù)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(diǎn)的值較大(小)，差異大小可由人為確定一個(gè)閾值，出現(xiàn)明顯的波動(dòng)，則剔除該數(shù)據(jù)樣本點(diǎn)，數(shù)據(jù)減少為[Xm, Yh] (H ^ N)；1.2:進(jìn)行3 σ準(zhǔn)則處理，3 σ準(zhǔn)則處理后，[Xmh, Yh] (H < N)減少為[ΧΜΤ，Υτ](T ^ H)；30準(zhǔn)則處理的基本思想為:通常數(shù)據(jù)上控制限UCL和下控制限LCL與中心線的距離為3σ以內(nèi)的數(shù)據(jù)是較好的。因此，將在上、下控制線以外的數(shù)據(jù)刪除，保證數(shù)據(jù)為最優(yōu)數(shù)據(jù)。其中，中心線與上、下控制線的公式如下:UCL= μ +3 O，CL= μ，LCL= μ _3 σ其中:μ:總體數(shù)據(jù)的平均值；σ:總體數(shù)據(jù)的標(biāo)準(zhǔn)差。對(duì)數(shù)據(jù)[Xmh, Yh] (H彡N)中的各輸入變量，采用上述公式進(jìn)行計(jì)算，確定UCL, CL, LCL0若某輸入變量的取值在該上、下控制線外，則剔除該數(shù)據(jù)樣本點(diǎn)，通過對(duì)系統(tǒng)分析，如果某變量的大量正常取值位于控制線外，則擴(kuò)大控制線范圍，以保留該正常取值的變量。得到新數(shù)據(jù)[Χ χ, Υτ] (Τ彡H)。1.3:進(jìn)行五點(diǎn)三次平滑處理，利用最小二乘法原理對(duì)數(shù)據(jù)[Xmh, Yh] (H ( N)進(jìn)行三次最小二乘多項(xiàng)式平滑，五點(diǎn)三次平滑處理后，得到[X' MT，Y/ ] (T ^ H)；利用最小二乘法原理對(duì)數(shù)據(jù)[Xmh, Yh] (H ( N)進(jìn)行三次最小二乘多項(xiàng)式平滑處理，該處理方法對(duì)于時(shí)域數(shù)據(jù)的作用主要是能減少混入振動(dòng)信號(hào)中的高頻隨機(jī)噪聲，對(duì)于頻域數(shù)據(jù)的作用則是能使譜曲線變得光滑，以便在模態(tài)參數(shù)識(shí)別中得到較好的擬合效果。得到新數(shù)據(jù)得到新數(shù)據(jù)[X' τ, V ] (T < H)。計(jì)算公式為:
權(quán)利要求
1.一種噪聲不確定復(fù)雜非線性動(dòng)態(tài)系統(tǒng)的建模方法，其特征在于按如下步驟進(jìn)行:步驟1:對(duì)工業(yè)生產(chǎn)過程進(jìn)行數(shù)據(jù)采集，所得數(shù)據(jù)為[X_，Y]，其中:Μ為輸入變量數(shù)，N為采集數(shù)據(jù)樣本數(shù)，Y為工業(yè)過程目標(biāo)輸出參數(shù)。對(duì)工業(yè)生產(chǎn)過程數(shù)據(jù)進(jìn)行預(yù)處理，得到受噪聲影響最小，最能反映出生產(chǎn)過程實(shí)際特性的有效數(shù)據(jù): .1.1:進(jìn)行粗大誤差數(shù)據(jù)剔除，粗大誤差數(shù)據(jù)剔除后，[ΧMN，γ]減少為[Χ Η，ΥΗ] (H ≤ N)；若X中某輸入變量的取值比其附近其他樣本點(diǎn)的值較大(小)，出現(xiàn)明顯的波動(dòng)，則剔除該數(shù)據(jù)樣本點(diǎn)，數(shù)據(jù)減少為[χω，Yh] (H ^ N)； .1.2:進(jìn)行3 σ準(zhǔn)則處理，3 σ準(zhǔn)則處理后，[Xmh, Yh] (H ( N)減少為[XMT, YT] (T ≤ H)； .1.3:進(jìn)行五點(diǎn)三次平滑處理，利用最小二乘法原理對(duì)數(shù)據(jù)[XMT，Υτ] (T ( H)進(jìn)行三次最小二乘多項(xiàng)式平滑，五點(diǎn)三次平滑處理后，得到[X' MT，Y' ] (T ≤ H)； .1.4進(jìn)行數(shù)據(jù)歸一化處理，得到新數(shù)據(jù)為[X'，MT，Y,，] (T ≤ H)； 具體歸一化處理方法如下:
全文摘要
本發(fā)明公開一種噪聲不確定復(fù)雜非線性動(dòng)態(tài)系統(tǒng)的建模方法，其特征在于按如下步驟進(jìn)行步驟1對(duì)工業(yè)生產(chǎn)過程進(jìn)行數(shù)據(jù)采集，所得數(shù)據(jù)為[XMN,Y]；步驟2采用Gamma Test對(duì)已知輸入輸出數(shù)據(jù)進(jìn)行噪聲統(tǒng)計(jì)值的計(jì)算，得到系統(tǒng)噪聲的精確信息。本發(fā)明的有益效果是搜索增產(chǎn)節(jié)能最好的理想點(diǎn)，確定工藝參數(shù)的最優(yōu)值；根據(jù)優(yōu)化后的工藝參數(shù)最優(yōu)值進(jìn)行實(shí)際生產(chǎn)指導(dǎo)。
文檔編號(hào)G06N3/02GK103177289SQ201310071400
公開日2013年6月26日 申請(qǐng)日期2013年3月6日 優(yōu)先權(quán)日2013年3月6日
發(fā)明者李太福, 侯杰, 姚立忠, 易軍, 辜小花 申請(qǐng)人:重慶科技學(xué)院