24、系统识别方法：从多层感知器到径向基函数神经网络

系统识别方法：从多层感知器到径向基函数神经网络

在系统识别领域，人工神经网络（ANN）为我们提供了一种有趣且省力的方法。不过，当需要明确的模型时，ANN往往存在不足。本文将介绍基于多层感知器（MLP）的系统识别方法以及基于径向基函数（RBF）神经网络的复杂模型识别方法。

基于多层感知器的系统识别方法

• ANN在系统识别中的应用与不足
  • ANN为系统识别提供了一种有趣且有用的方法。在处理系统识别问题时，借助ANN，设计者可以从算法的实现中解脱出来，专注于模型本身的结构。而且，ANN与所采用的训练算法无关，具有一定的适应性。
  • 然而，当采用ANN进行系统识别时，结果通常是一个黑盒模型，参数未知。因此，在需要明确模型时，ANN就显得力不从心。为了解决这个问题，人们提出了许多从ANN中提取模型的方法。
• ARMA模型用于系统识别
  • 在系统识别中，自回归滑动平均（ARMA）模型经常被采用。其定义为：
    [y(t) = a_1y(t - 1) + \cdots + a_{d_y}y(t - d_y) + b_0u(t) + b_1u(t - 1) + \cdots + b_{d_u}u(t - d_u) + e(t)]
  • 其中，(y(t)) 和 (u(t)) 分别是系统的输出和输入。
• MLP模型
  • MLP是一种前馈网络。当网络只有一个输出时