[发明专利]RBF‑AR模型的新型网络结构及参数辨识方法

摘要

本发明公开了RBF‑AR模型的新型网络结构及参数辨识方法。该方法根据RBF‑AR(radial basis function network‑style coefficients AutoRegressive)模型自身的结构特点，将其转换成含两隐含层的新型广义RBF神经网络。针对在低信噪比情况下,SNPOM(structured nonlinear parameter optimization)方法对RBF‑AR模型辨识精度低的缺陷，本发明建立了RBF‑AR模型（广义RBF神经网络）的自组织状态空间模型，采用一种以参数最优化初始值及参数驱动噪声统计特性估计为核心的自适应粒子滤波算法，实现对RBF‑AR模型的参数辨识，可有效提高RBF‑AR模型对含噪数据的建模精度和预测精度,实现了对RBF‑AR模型的在线估计和实时控制，为RBF‑AR模型的参数辨识提供新方法。

主权项

RBF‑AR模型的新型网络结构及参数辨识方法，包括如下步骤：1) 利用RBF‑AR模型对含噪数据进行建模；2) 根据RBF‑AR模型自身的结构特点, 将其转换成一种含两隐含层的新型广义RBF网络；3) 建立RBF‑AR模型（广义RBF网络）的自组织状态空间模型；4) 针对初始条件以及人工噪声统计特性对参数辨识精度的影响，提出一种以参数最优化初始值及参数驱动噪声统计特性估计为核心的自适应粒子滤波算法；5) 将上述自适应粒子滤波算法用于RBF‑AR模型的参数辨识中，并与SNPOM方法的辨识结果进行对比。