人工神经网络改进精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的人工神经网络改进主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络改进范文

关键词: 人工神经网络BP算法改进BP算法倒立摆小车

1.引言

倒立摆系统是时变的、非线性、多变量和自然不稳定系统,在控制过程中,它能有效地反映可镇定性、鲁棒性、随动性和跟踪等许多控制中的关键问题,是检验各种控制理论的理想模型。人工神经网络BP算法,在多变量输入情况下具有精度高、实现快、算法简单、鲁棒性好等优点,从而满足了系统的要求[1]。

2.人工神经网络BP算法简介

人工神经网络(ANN)由于具有信息的分布存储、并行处理和自学习能力等优点,在信息处理、模式识别、智能控制等领域得到了越来越广泛的应用。近年来,已有多种ANN模型被提出研究,80%―90%的人工神经网络模型是采用BP网络或其改进形式,它是前向网络的核心部分,体现了网络最精华的部分[2]。标准的BP网络是根据Widrow―Hoff规则,采用梯度下降算法,主要由信息信号的正向传播和误差信号的反向传播两部分组成。

但BP网络存在需较长的训练时间、收敛于局部极小值等缺点,为此人们对BP算法进行了许多改进。改进主要有两类:一类采用启发式技术,如附加动量法、自适应学习率法;另一类是采用数字优化技术,如共轭梯度法、拟牛顿法、Levenberg―Marquardt(LM)法[3]。由于LM算法收敛速度最快,精度较高,且经过大量仿真实验分析比较,LM效果最好,故我们采用LM法对网络进行训练。

LM优化方法权重和阈值更新公式[4]为:

其中J为误差对权值微分的雅可比矩阵,e为误差向量,μ为一个标量。依赖于μ的幅值,该方法光滑地在两种极端情况之间变化,即牛顿法(当μ0)和著名的最陡下降法(当μ∞)。

3.神经网络控制器设计

3.1训练样本的选取

BP神经网络在未经任何训练的情况下,不能作为系统控制器使用。在实际仿真过程中,我们选择极点配置控制为BP网络的教师进行学习,经过试探训练,样本数为2000时结果较为合理,此时样本数据能够反映系统的基本特征,可以得到预期的仿真结果。极点配置-2+5i-2-5i-5+4i-5-4i;A=[0 1 0 0;0-0.0883167 0.629317 0;0 0 0 1;0-0.235655 27.8285 0];B=[0 0.883167 0 2.35655]’;C=[1 0 0 0;0 1 0 0;0 0 1 0;0 0 0 1];D=[0 0 0 0]’;p=[-2+5i-2-5i-5+4i-5-4i]; K=acker(A,B,p)。

3.2 BP网络结构

BP网络设计时,增加层数主要可以进一步降低误差,提高精度,但却使网络复杂化。而增加隐含层的神经元数也可提高误差精度,且训练效果更易观察和调整。为了使误差尽可能小,我们要合理选择初始权重和偏置,如果太大就容易陷入饱和区,导致停顿,一般应选为均匀分布的小数,介于(-1,1)。

根据需要,在网络初始化时,BP采用0.5*Rands函数初始化权值,权值初始值选在(-0.5,0.5),选取训练目标误差为0.0001,训练次数上限为5000次。通过多次仿真实验性能比较,选取[4 9 1]的单隐层神经网络结构,隐含层、输出层分别采用Tansig、Purelin函数,仿真实验表明变学习率训练算法训练时间长,5000次还不能达到所要求的精度,且系统容易发散,控制倒立摆效果不好,采用改进的LM训练算法对网络进行学习训练可以得到较好的控制效果且训练时间短。在实际仿真过程中,BP网络经过53次训练即达到了训练目标。

4.BP网络训练结果

图1分别给出了倒立摆小车位移、摆角和控制力的BP算法与极点配置算法仿真曲线对比图,仿真结果表明:相较极点配置,BP算法精度高、实现快、鲁棒性好,倒立摆小车在BP算法下只需2.5s左右就可以达到所设定精度的稳定效果,且超调量很小,满足了系统的要求。

5.结论

通过对人工神经网络BP算法的分析,笔者进行了倒立摆小车改进BP算法的控制系统仿真实验。仿真表明该改进BP算法收敛性好、计算量小,尤其在非线性和鲁棒控制等领域具有良好的应用前景。BP神经网络从理论上可以逼近任意非线性函数,所以它特别适合控制像倒立摆这样的严重非线性、多变量系统。

参考文献:

[1]于秀芬,段海滨,龚华军.基于人工神经网络BP算法的倒立摆控制研究[J].测控技术,2003,22(3):41-44.

[2]张志华,朱章森,李儒兵.几种修正的自适应神经网络学习算法及其应用[J].地球科学,1998,23(2):179-182.

[3]苏高利,邓芳萍.论基于Matlab语言的BP神经网络的改进算法[J].科技通报,2003,19(2):130-135.

第2篇：人工神经网络改进范文

>> 大规模自组织人工神经网络技术在智能建筑中的应用方法研究 基于自组织增量神经网络的码书产生方法在图像分类中的应用 基于Matlab的自组织神经网络在油气层识别中的应用研究 基于自组织竞争神经网络的地震预测 自组织竞争网络在测井资料岩性识别中的应用 自组织特征映射网络在探地雷达数据处理中的应用 气体识别自组织神经网络 一种基于自组织过程神经网络的动态样本半监督学习算法 自组织灰色神经网络中的基于电力系统短期负荷预测方法应用研究 基于自组织映射神经网络的边坡样本分析方法 基于SOM神经网络技术的区域卷烟消费状态自组织分类 人工神经网络模型在水动力模型数据缺失中的应用 基于人工神经网络的数据挖掘技术在临床中应用进展 自组织特征映射网络在压缩编码设计中的应用 液压控制系统中自组织双模糊神经网络控制模型关键点研究 浅谈人工神经网络在林业中的应用 人工神经网络在空调系统中的应用 一种改进的动态二叉树的自组织神经网络算法 基于SOM神经网络技术的卷烟零售客户自组织分类 基于自组织神经网络SOM的汽车安全气囊装配故障诊断 常见问题解答 当前所在位置：百度百科 移动学习2012-12-7

[2] 叶成林 徐福荫 许骏 移动学习研究综述 电化教育研究 2004 No.3

[3] 陈伟超 国内移动学习研究现状及发展建议[J].中国电力教育，2009 No.9

[4] 词汇语义知识库浅述 刘兴林 福建电脑 2009 No.9

第3篇：人工神经网络改进范文

关键词：山区高速公路；填石路堤；人工神经网络；沉降

中图分类号：U412.36+6文献标识码： A

1 引言

在山区高速公路修筑中，存在大量的石质挖方路段和隧道路段，怎样利用大量的石质填料填筑路堤，使其不出现工程质量事故，同时避免一方面大量借石填筑路堤，另一方面又造成大量的石质弃方占用农田耕地的不合理现象，成为山区高速公路建设中迫切需要解决的问题。在高等级公路逐渐进入山区的今天，在云南省乃至全国范围内还将遇到更多的填石路堤修筑技术问题。填石路堤的压实工艺和检测手段及检测标准，粗粒料的压实特性，填石路堤的沉降、稳定性评价是填石路堤面临的主要难题[1]。

2 沉降分析方法

本文采用神经网络方法对某山区高速公路填石路堤沉降进行分析计算，以便科学合理的评价公路填石路堤稳定性与沉降规律。

2.1神经网络模型

BP神经网络通常是指基于误差反向传播算法（BP算法）的多层前向神经网络，它是目前应用最广泛也是发展最成熟的一种神经网络模型，它是按层次结构构造的，包括一个输入层、一个输出层和一个或多个隐藏层（图中只画出一层），一层内的节点（神经元）只和与该层紧邻的下一层各节点相连。这个网络学习过程由正向传播和反向传播两个过程组成。在正向传播过程中，输入信息从输入层经隐藏层逐层处理，然后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到希望的输出，则转向反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小[2]。

网络学习的过程首先从给出一组随机的权值开始，然后选取学习样本集中的一个模式（输入和期望输出对）作为输入，接着按前馈方式计算输出值。这时的输出值和期望值之间的误差一般比较大，这就迫使权值必须改变。利用反向传播过程，计算所有的权值的改变量。对所有的模式和所有的权值重复计算，修正权值后又以前馈方式重新计算输出值。实际输出和目标输出之间的偏差和权值改变量又一次在计算中产生。在学习样本中的所有模式进行计算后得到一组新的权值，在接下来的前馈过程中便得到一组新的输出值，如此循环下去。在一次成功的学习中，系统误差或单个输入模式的误差将随着迭代次数的增加而减小，而过程将收敛到一组稳定的权值。

实际上，BP模型把一组样本的输入输出问题变为一个非线性优化问题。我们可以把这种模型看成一个从输入到输出的映射，这个映射是高度非线性的。如果输入节点数为n，输出节点数为m，则神经网络表示的是从n维欧式空间到m维欧式空间的映射。

2.2 神经网络模型的改进

BP算法的主要缺点是：收敛速度慢、局部极值、难以确定隐层和隐层节点的个数。在实际应用中，BP算法很难胜任，因此出现了许多改进算法。BP算法的改进主要有两种途径：一种是采用启发式学习算法，另一种则是采用更有效的优化算法。

启发式学习算法，就是对于表现函数梯度加以分析，从而改进算法，其中包括：有动量的梯度下降法（traingdm）、有自适应lr的梯度下降法（traingda）、有动量和自适应lr的梯度下降法（traingdx）和能复位的BP训练法（trainrp）等。另一种是基于数值最优化理论的训练算法，其中包括共轭梯度法、高斯－牛顿法和Levenberg-Marquardt方法等。

本文采用共轭梯度法进行改进。共轭梯度法是梯度法的一种改进方法，可以改进梯度法振荡和收敛性差的缺陷。其基本思路是寻找与负梯度方向和上一次搜索方向共轭的方向作为新的搜索方向，从而加快训练速度，并提高训练精度。所有的共轭梯度法，都采用负梯度方向作为初始搜索方向：

然后沿着该方向作一维搜索：

接下来，就利用共轭方向作为新一轮的搜索方向，通常在当前负梯度上附加上一次搜索方向：

共轭梯度法通常比自适应lr的梯度下降法速度快，有时候也优于弹性梯度下降法。同时由于共轭梯度法占有较少的存储空间，因此在训练复杂网络的时候，通常选用共轭梯度法[3]。

2.3程序的实现

本文采用Matlab，进行程序的编制，算法如下：

%%神经网络预测_BP神经网络模型

% n：原始数据个数 x：填石路堤沉降实测值 y：填石路堤沉降预测值

clc;clear all;

clf;

%%读数据；

load x1.txt;load x2.txt;

P=x2;x=x1;

%%NEWFF——生成新的线性神经网络

%%TRIAN——对线性神经网络进行训练

%%SIM——对线性神经网络进行仿真

%P——为输入矢量；

%x——为目标矢量；

%创建网络

net=newff(minmax(P),[1,1],{'tansig','purelin'},'traingdm');

%当前网络层的权值与阈值

layerWights=net.LW{2,1};

layerbias=net.b{2};

%设置训练参数

net.trainParam.show=50;

net.trainParam.lr=0.05;

net.trainParam.mc=0.9;

net.trainParam.epochs=100;

net.trainParam.goal=0.1;

%%对BP神经网络进行训练

[net,tr]=train(net,P,x);

%对线性网络进行仿真

y=sim(net,P);

y

x

3 填石路堤沉降计算分析结果

以现场监测数据与网络预测值进行比较如表1所示。应用该模型进行预测精度很高，这进一步证明了该BP神经网络拟合效果好，泛化能力强，收敛快。所以，该法在填石路堤最终沉降预测中十分有效和可行。

表1 网络预测与实际值比较

4 结轮

本文将人工神经网络引入到填石路堤的沉降计算，利用实测资料，直接建模，更好的反映了填石路堤的沉降规律，工程实例研究表明，网络预测值与实测值吻合较好，可信度较高，并且随着学习样本的不断补充，网络的预测精度将进一步提高。

（1）一个良好的神经网络模型，可以不断学习，使求解的范围不断扩大，同时人工神经网络的抗干扰能力较强，个别测点的误差将不会对结果产生大的影响。

（2）工程实例研究表明，实测值与神经网络预测值吻合较好，但也有个别点偏差较大，主要原因是训练的数据太少，随着训练数据的增加，网络的预测精度还会进一步提高。

（3）人工神经网络方法避免了传统方法的许多弊病，具有自组织、自适应、容错性等特点，计算精度高，操作简便，适应性强，因而具有广阔的工程应用前景。

参考文献：

第4篇：人工神经网络改进范文

[关键词] BP神经网络 图像分类 Matlab 自适应特征因子 收敛速度 精度

中图分类号：P23 文献标识码：A 文章编号：1009-914X（2014）07-0321-03

1.引言

卫星遥感对地观测技术是人类获取资源环境动态信息的重要手段，无论是专业信息提取、动态变化预测、还是专题地图制作和遥感数据库的建立等都离不开分类。在数学方法的引入和模型研究的进展为影像的分类注入了新的活力，不同的数学方法和参数特征因子被引用到模型的研究上来，为模型研究的发展提供了广阔的天地。而基于改进的BP神经网络，更是融合了自适应特征因子和非线性函数逼近的网络模型，不仅学习速度快，而且有高度复杂的映射能力。

2.人工神经网络的分类方法

人工神经网络（Artificial Neural Network， ANN ）是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经系统【1】。其概念是在20世纪40年代中期由McCulloch和Pitts提出的，70年代得到应用，80年代以来，随着计算机技术的发展而得到了快速的发展，属于非线性学科，具有强抗干扰性、高容错性、并行分布式处理、自组织学习和分类精度高等特点。

近年来，神经网络被广泛应用于遥感图像分类中，不同学者分别提出或应用了Hopfield神经网络、BP网络、自组织映射网络、小波神经网络、细胞神经网络、模糊神经网络等对遥感图像进行分类【2】。这些神经神经网络在遥感图像自动分类上都有一定的应用，并取得较好的效果。本文基于此，对传统的BP算法进行了改进，提出了在Matlab软件提供的神经网络工具箱中，对BP神经网络的权值，学习率进行分析。重点是运用数学中自适应特征因子，加快了迭代过程中的收敛速度，而且使精度更高。

3.BP神经网络

BP神经网络是一种通用性较强的前馈网络，它主要采用模式正向传递、误差信号反向传播的BP算法，实现输入到输出的映射，并且是非线性的，具有结构简单、可操作性强等优点，目前已被广泛应用【3】。

3.1 BP算法原理

学习过程由信号的正向传播与反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符合时，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此信号作为修正各单元权值的依据。

3.2 BP学习率的优化算法分析

为了加快神经网络的学习速度，对学习率的改进是BP算法优化的重要部分。因为BP算法是不断通过调整网络权值进行训练学习的，修正的大小受到学习率的控制，因此学习率的改进对整个网络的优化是很重要的。为了加快学习速度，研究者提出了很多的优化学习率算法，刘幺和等提出的具体优化公式为[4]： η=Ae-λn. （1）

此算法优于学习率固定的传统BP算法，减少了网络学习过程中的学习次数，但同样存在着其它问题，首先，模型中A的取值范围并不适用于所有神经网络，由于它的取值决定了网络学习率的初始值，通过A确定的网络初始学习率可能使网络不收敛。其次，当网络误差下降速度快时，该算法反倒使网络收敛速度比较慢，这说明此时网络不适应这种情况。

在上述模型中，陈思依据可变学习率的变化，提出了另一改进模型，此方法的思想是，如果网络权值在实际情况中更新之后使误差值减小，此时就没有必要再减少学习率，如果保持原学习率不变，不仅增加了训练速度，而且修改权值的幅度会大些，训练效果会更好一些。改进后的模型为[5]：

此算法优点是如果误差下降速度明显增快，则说明此时的学习率比较合适训练，不需调整。

面对现代科技的飞速发展，国内外竞相发展以高空间、高光谱和高动态为标志的新型卫星遥感对地观测技术，提供了海量的信息源，加大了人们对空间的认知，对信息世界的分类利用，但是人们的优化算法远远跟不上丰富的信息源。对此，针对上面学习率算法，虽然有很大的改进，但处理速度还远远不够，还需要优化。

3.3 网络隐层的节点数确定

BP人工神经网络拓扑结构中，输入节点与输出节点是由问题的本身决定的，关键在于隐层的层数与隐节点的数目，在Robert Hecht Nielson等人研究指出，只有一个隐层的神经网络，只要隐节点足够多，就可以以任意精度逼近一个非线性函数【6】。

因此隐节点的确定关系到整个网络的处理，下面是关于隐节点数确定的的方法：

其中Hpi隐节点i在学习第p个样本时输出，Hpj是隐节点j在学习第p个样本时的输出，N为学习样本总数，而Hpi与Hpj的线性相关程度愈大，互相回归的离散度越小，反之，则相反。

当同层隐节点i和j的相关程度大，说明节点i和j功能重复，需要合并；当样本散发度Si过小，说明隐节点i的输出值变化很少，对网络的训练没起到什么作用，可以删除。因此根据这样规则可以进行节点动态的合并与删除。

4.特征因子算法加入

神经网络在遥感图像分类中的优势越来越明显，很多人对其进行了研究与应用。对此，本文对前人的算法进行了优化，主要是进行网络权值修正速度的加速，在算法优化中，引入了数学中的特征因子加速收敛方法，其保证精度下，使网络的迭代收敛速度大大加快。

具体算法思想过程如下：在BP神经网络学习阶段，当遥感图像的特征样本数据由输入层到隐含层，然后再传输到输出层，最后得到的输出数据与目标数据会产生误差，然后在返回到隐含层来调整网络权值，直至误差达到所要求的精度范围为止。在迭代过程中，为了使误差迅速减小到精度范围内，特征因子算法被引入到网络权值调整上：

在第一次迭代 ：

其中x0为输入向量，y1为第一次输出向量，T为目标向量，第一次迭代生成的T1为目标向量T的近似值，Tk+1为迭代N次（1，2，3，…）目标向量T的近似值。在运用特征因子迭代收敛加速方法中，比以往的算法得到优化，加速了网络权值调整的收敛速度，且使结果的精度得到保证。

5.实验过程与精度评定

本次实验是在Matlab环境下开发的神经网络工具箱中来进行展开的，神经网络工具箱是MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数【7】。此工具箱可以用来对BP神经网络训练函数的创建，下面是具体的实验过程：

（1）选取QuickBird卫星影像，在影像上选取各类别的特征样本，要求样本数量得足够多。然后进行特征选取，一般是选取象元的多光谱特征的特征向量，以此确定特征矩阵p。为了方便在训练阶段的学习，需把向量值归一化，在根据特征向量，确定输入层节点数为5。

（2）进行BP神经网络的构建，其中隐层网的节点数是根据前面提到的方法，节点数经过合并与删除之后最终确定为25；根据待分类影像的类别分别是公路用地、内陆滩涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水库水面、采矿用地、城市、村庄、水浇地、设施农用地、建制镇、果园、灌木林地、风景名胜及特殊用地、其他林地、其他草地，输出层节点数确定19；目标向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示内陆滩涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水库水面

以此类推直到最后类别的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

调用Matlab神经网络工具箱中的函数，另外为了加入特征因子算法，需要创建网络的权值学习函数learnc，p1是输入训练样本，p2是输入未知样本向量。部分代码如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基础上，进行训练学习。创建的网络权值函数加入特征因子后，在学习阶段收敛速度明显增快 。使调整后的网络权值尽快达到了用户设定精度范围。

（4）学习阶段完成后，开始进行分类阶段。把未分类的QuickBird卫星影像的特征向量值输入到神经网络中，进行分类，根据输出向量y与目标向量T进行对比，然后把象元分类到自己所属的类别区。直到影像被分类完为止。

（5）分类结果图如下：

（6） 下面是对分类结果进行精度评定，采用误差矩阵法来评定精度。总体精度可达到93.89%，其他各个类别的用户精度和生产者精度都很高，最低的不低于82.43%，满足用户的需求，达到使用的目的。

6.结束语

BP神经网络的非线性映射，自适应功能等优势已在遥感图像分类中得到广泛的应用，本文基于前人的优化算法，提出了在网络权值调整过程中的特征因子迭代加速算法，使学习阶段的权值调整速度明显加快。但在分类精度上改变较小，在提高精度上，是以后继续研究改进的方向。

参考文献

[1] 叶世伟 史忠植（译） 神经网络原理 北京：机械工业出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科学[M].北京：清华大学出版社，2006.

[4] 刘幺和，陈睿，彭伟，等.一种BP神经网络学习率的优化设计[J].湖北工业大学学报，2007，22（3）：1-3.

[5] 陈思 一种BP神经网络学习率的改进方法[J].长春师范学院学报（自然科学版），2010.8.25-27

[6] 李晓峰，徐玖平，王荫清等。BP人工神经网络自适应学习算法的建立及其应用[J].系统工程理论与实践，2004.5 . 3-4

[7] 楼顺天，等.《基于Matlab的系统分析与设计---神经网络》. 西安：西安电子科技大学出版社，2000.8.23-40

第5篇：人工神经网络改进范文

关键词：移动机器人；BP神经网络；轨迹跟踪控制

引言

人工神经网络使非线性系统的描述成为可能，并且在学习、记忆、计算和智能处理方面表现出了很强的优越性。人工神经网络具有如下特点：(1)可以按照指定的精度无限逼近几乎各种复杂的非线性系统，解决了非线性系统的建模问题；(2)信息采用分布式存储和处理方式，使得神经网络具有很高的运算效率和很强的容错性和鲁棒性； (3)可以自行调节参数和结构实现自学习的目的以完成某项任务。（4）人工神经网络具有强鲁棒性和适应性，高可靠性以及智能性，为解决高维数、非线性、强干扰、时滞和不确定系统问题开辟了新思路并提供了方法，它在控制领域将具有举足轻重的地位。

1 BP神经网络

BP网络的学习过程分为两个阶段：第一个阶段是输入已知学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络的第一层向后计算各神经元的输出。第二阶段是对权值和阈值进行修改，从最后一层向前计算各权值和阈值对总误差的影响(梯度)，据此对权值和阈值进行修改。以上两个过程反复交替，直到达到收敛为止。由于误差逐层往回传递，以修正曾与层间的权值和阈值，所以称该算法为误差反向传播算法。这种误差反传学习算法可以推广到若干个中间层的多层网络，因此该多层网络常称之为BP网络。

BP神经网络根据每次的训练样本对权值进行修正，即使是在训练样本差别不大的情况下，各个神经元之间的连接权值也要重新经过计算进行修正。这在训练样本维数不大的情况下计算时间不会有很大差别，但是在实际应用中，往往所要训练的数据都是极为复杂和庞大的，神经元个数也许是几十个或几百个，如果每个新的样本数据都要重新经过计算进行权值修正，尤其在两个样本数据整体均方误差和很小或绝大部分数据完全一样个别数据差别较大的情况下，这样就会增加重复的不必要的计算量，大大浪费计算时间，降低权值调整效率，难以满足实时性要求。针对以上问题，提出了一种改进的BP神经网络。它通过把传统BP神经网络根据其规模分割成若干更小的子网分别进行训练来达到提高计算效率的目的

2 基于改进的BP神经网络的轨迹跟踪

移动机器人的控制器设计问题可以描述为：给定参考位置和参考速度，为执行力矩设计一个控制法则，控制机器人移动，使其平稳地跟踪速度输入和参考位置。

2.1基于后退算法的运动学控制器设计

根据移动机器人的运动学方程来选择用于实现跟踪的速度控制输入，表示如下:

  (1)

其中, ,均为设计参数。

速度控制信号的导数为：

(2)

控制信号误差为：

  (3)

由李雅普诺夫理论可以得知，所设计的运动学控制器能使系统的跟踪误差收敛。

2.2 基于改进BP神经网络的动力学控制器设计

如果一个向量仅是一个变量的函数，那么就可以用静态神经网络来建模。即：

    (4)

式中，和是GL向量，它们各自元素分别为和。是模型误差向量，其元素是。其中，来表示一般向量或矩阵, 和“”分别表示GL 矩阵及其乘积算子。

由移动机器人动力学方程式知，仅是的函数，是和的函数，所以，可得：

  (5)

    (6)

式中，，和是GL矩阵，其各自元素分别为： ，，和。其中，和 是矩阵，其模型误差元素为：和。

3 结论

改进的BP神经网络应用于移动机器人轨迹跟踪控制具有正确性、高效性、实用性和智能性等优势，把神经网络分割成若干子网分别进行训练获取了更高计算效率的方法，使BP神经网络避免了不必要的权值调整，提高了网络的训练效率。

参考文献：

[1]韩光信,陈虹. 约束非完整移动机器人轨迹跟踪的非线性预测控制. 吉林大学学报(工学版),2009,39(01):177-18

第6篇：人工神经网络改进范文

关键词： 电力负荷；Elman网络；BP网络；预测

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）16-3871-04

电力系统时序负荷的准确预测是实现现代控制的前提之一，也是电力系统规划和运行研究的重要内容。负荷预测是从已知的用电需求出发，考虑政治、经济、气候等相关因素，对未来的用电需求作出的预测[1]。电力系统负荷预测也是电力生产部门的重要工作之一，通过准确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。此外，它也是电力市场中电价制定的基础。

负荷预测对电力系统控制、运行和计划都有着重要意义。电力系统负荷变化一方面受许多不确定因素的影响，负荷变化会存在随机波动，另一方面又具有周期性，这也使得负荷预测曲线具有相似性。同时，由于受天气、节假日等特殊情况的影响，又使负荷变化出现异常。由于神经网络具有较强的非线性映射特性，它常用于负荷预测。

近年来，人工神经网络越来越引起控制理论工作者的极大兴趣。人工神经网络是一个能够学习，能够总结归纳的系统，也就是说它能够通过已知数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较（而这些比较是基于不同情况下的自动学习和要实际解决问题的复杂性所决定的），它能够推理产生一个可以自动识别的系统。与之不同的基于符号系统下的学习方法，它们也具有推理功能，只是它们是建立在逻辑演算法的基础上，也就是说它们之所以能够推理，基础是需要有一个推理演算法则的集合。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假定的能力，具有良好的自适应和自学习能力，能够充分逼近复杂的非线性关系，但关键是要建立合理的数学模型。

本文利用Elman神经网络的自适应性和较强的非线性映射能力进行负荷预测。采用自适应学习速率动量梯度下降反向传播算法进行网络训练，可以克服传统BP算法收敛速度慢和局部极小等缺陷。

1 Elman神经网络结构与算法

1.1Elman神经网络结构

Elman网络通常是一个两层网络，其隐含层神经元到输入层神经元之间还存在一个反馈连接通道，这种反馈连接在神经网络术语中称为回归（recurrent）连接。这种回归连接使得Elman网络具有检测和产生时变模式的能力。

2 数据的预处理

2.1数据的选取

有效地选取输入变量是决定神经网络预测精度的关键所在。电力系统负荷的波动往往受各种突变因素的影响，而这些因素包含的信息往往具有很大的不确定性。出于篇幅考虑，对预报模型简单化，输入变量的选取仅来自于某年欧洲竞赛中电力负荷的历史数据。

2.2结构分析

2.3输入和输出参数的标准化

3 仿真分析

神经网络中单个神经元具有简单的能够反映非线性本质特征的能力，这些基本的单元经过自组织复合，使神经网络可以逼近任意非线性函数。通过学习，从样本中抽取并存储其内在规律，从而可以对序列的变化进行预测。使用神经网络方法可以避免复杂的常规建模过程，而且神经网络模型有良好的自适应和自学习能力、较强的抗干扰能力，易于给出工程上容易实现的算法。在进行神经网络预测时，首先是要确定输入、输出节点。

在训练和预测的过程中，在MATLAB语言环境下，使用其特有的神经网络工具箱，对改进的BP算法建立负荷预测模型，实现短期负荷预测。对比两种网络预测图像和数据，可以清楚地看出，Elman网络的训练速度及预测精度都有较大的改善。比较图4、图5及预测技术指标可以看到，训练Elman网络时间短，平均预测精度高，最大预测精度也优于BP网络。

对于电力预测来说，只考虑历史数据是不够的，还受许多随机因素的影响，由于工作日和节假日的负荷不同，还要考虑时间特征值[8]。为避免预测时出现较大的误差，可以通过适当增加样本容量。

4 结论

到目前为止，电力系统的负荷预测一直都是一个难点，这主要是因为电力系统结构越来越复杂。该文采用Elman网络建立短期负荷的预测模型，克服了传统BP神经网络的一些缺陷。通过仿真计算，证明了Elman神经网络具有动态特性好、网络训练速度快、精度高等特点，同时表明该方法是可行且有效的，并且在电网电力负荷预测领域具有广阔的应用前景。

参考文献：

[1] 汪峰，于尔铿，周京阳.能量管理系统（EMS） [J]. 电力系统自动化，1997，21（4）：66-69.

[2] 芮执元，任丽娜，冯瑞成.基于Elman神经网络的甘肃电网负荷预测模型[J].现代电力，2007，24（2）：26-29.

[3] 夏昌浩，向学军，何胜雄. 基于MATLAB神经网络工具箱的电力系统负荷预报[J]. 武汉水利电力大学学报，2000，22（4）：303-307.

[4] 孙洪波，秦翼鸿，徐国禹. 用于短期电力负荷预报的人工神经网络方法[J]. 重庆大学学报，1995（7）：42-47.

[5] 陈玉彬.矿井双风机自动的简易实现[J].矿山机械， 2009（18）：84.

[6] 王关平. 基于人工神经网络的无刷直流电动机控制研究[D]. 兰州理工大学，2007.

第7篇：人工神经网络改进范文

关键词 神经网络；空调；应用

中图分类号 TP387 文献标识码 A 文章编号 1673-9671-(2012)071-0184-02

中央空调系统是一个庞大复杂的系统，主要包括：空调冷热源系统、水或空气系统、控制系统等，空调系统能耗与影响因素之间是一种多变量、强耦合、严重非线性的关系，具有很强的动态性。而人工神经网络可以实现从输入到输出的任意非线性映射，能够模拟高度非线性系统，具有较强的学习能力、自适应能力、容错能力和联想能力，已成为复杂的非线性系统建模、仿真、预测的新型工具，人工神经网络自20世纪40年代初被首度提出来以后，经过几十年的发展，广泛运用于模式识别和图像处理、控制与优化、人工智能等方面。随着我国空调事业的快速发展及节能减排新形下，人工神经网络在空调系统中的运用越来越受到广大暖通空调研究者的关注。

1 神经网络

神经网络是对人脑或生物神经网络的抽象和建模，具有从环境学习的能力，以类似生物的交互方式适应环境。人工神经网络是一个由大量简单的神经元广泛联接组成的复合系统，当系统被训练达到平衡后，由各个神经元的权值组成的整个网络的分布状态，就是所求的结果。网络学习的过程也就是各神经元权值的调整过程。人工神经网络根据连接方式不同可以分为两大类：无反馈的前向神经网络和相互连接型网络（包括反馈网络），图1为BP神经网络系统结构简图，BP网络就是一种误差反向传播的前向网络，神经网络的学习算法总体来讲可分为有监督学习和无监督学习。人工神经网络的具有强容错性、冗余性、鲁棒性和信息分布式并行处理及快速进行大量计算能力特点， 能适应复杂环境和进行多目标控制。

图1 BP网络系统结构

2 人工神经网络在空调系统中的应用

2.1 空调风系统方面的应用

变风量系统（VAV系统）的基本思想是：当室内负荷发生变化时，改变送入室内风量，以满足室内人员的舒适性或工艺性要求，实现送风量的自动调节，最大限度地减少风机动力，节约运行能耗。目前对变风量空调控制方法传统方法主要有：定静压控制、变静压控制、总风量控制等，但多数局限于的PID控制理论，对变风量空调这种非线性系统的控制精度难以保证。朱为明等人在VAV系统中采用神经网络预测优化算法对变风量空调进行控制，神经网络预测优化算法控制过程的节能范围为：6％-13.5％，与PID控制方法相比，神经网络预测优化算法的控制量之和减少6%以上，具有较好的节能效果。

2.2 空调水系统方面的应用

中央空调水系统主要包括冷却水和冷冻水系统，对于大型系统，管道长，系统热容量大、惯性大，被控系统水温和流速变化速度较慢，滞后现象严重，是一种典型的大滞后系统，对于过程纯滞后非线性特性，目前过程控制传统算法不具备克服滞后影响的能力，在稳定性和响应速度上都难以达到较好的性能指标。周洪煜等人利用了神经网络的非线性逼近特性、自学习、自组织的能力以及预测控制的滚动优化和反馈校正的特性，建立起的中央空调水系统的动态模型，作为预测控制器的预测模型，不需要对被控对象进行精确的辨识， 提出的多变量神经网络预测控制系统具有优良的控制效果，实现了空调水系统的自适应控制。何厚键等人在中央空调水系统的建模与优化研究中，利用前馈型网络结合BP算法建立了冷却塔和制冷机的神经网络模型，解决的具有高度非线性的中央空调水系统设备的建模问题。

2.3 制冷系统方面的应用

神经网络在空调中的制冷系统应用，主要体现在制冷机组优化控制和制冷系统的故障诊断两方面。在中央空调系统中制冷机组是能耗最大的设备，对制冷机组进行优化控制，提高其运行效率，是空调系统节能的重要途径之一。赵健等人在分析了影响压缩机运行效率的主要因素基础上，建立了以压缩机入口制冷剂温度、压缩机出口制冷剂温度和负荷为输入量，最佳吸气压力输出为输出量的BP神经网络模型。通过在线修正制冷机的吸气压力工作点，解决变负荷下，制冷机优化控制问题，大幅度提高制冷性能参数COP的值，降低了制冷机的运行能耗，与采用额定工况相比，采用神经网络优化控制方法的制冷机节能量约为44.8%。

故障诊断是一种了解和掌握设备在使用过程中的技术，确定其整体或局部是否正常，早期发现故障及其原因并能预报故障发展趋势的技术。在制冷系统的故障诊断方面，神经网络也发挥着重要作用，随着我国空调制冷事的蓬勃发展，制冷系统越来越复杂，故障的潜在发生点也越来越多，制冷设备的故障检测与诊断越来越受到人们的重视。胡正定等人在分析制冷系统常见故障特征的基础上，建立以压缩机进口温度、蒸发器进口温度、冷媒水进口温度、冷媒水出口温度、压缩机排气压力、压缩机吸气压力、压缩机出口温度、冷凝器出口温度等8特征征参数作为输入量，故障模式作为输出量的补偿模糊神经网络模型。仿真结果表明，系统的诊断结果且有较高的准确率。李中领等人在空调系统故障诊断中利用神经网络建立了三层BP网络模型，输入层节点个数为4，对应于4种故障现象，隐含层单元个数为4，输出层节点个数为12，对应于12种故障原因，输出节点值的大小反映了故障出现的可能性。

2.4 负荷预测方面的应用

空调系统逐时负荷的准确预测是实现现代控制的前提之一，准确预测空调负荷对空调高效节能运行具有重大意义，影响空调负荷的因素有空气温度、湿度、太阳辐射强度、人员、设备运行情况等，空调负荷与影响因素之间是严重非线性的关系，具有动态性。

2.5 空调制冷系统的仿真设计方面的应用

制冷空调产品设计中，大量地依赖样机的反复制作与调试，使得产品的设计周期延长，并影响性能优化，用计算机仿真代替样机试验，在计算机上面实现优化设计，使得制冷空调装置仿真技术近年来得到了迅速发展 。

2.6 大型建筑运行能耗的评价方面的应用

大型公共建筑指非住宅的民用建筑，包括办公楼、商场、宾馆、医院、学校等，大型公共建筑用能特点是单位面积耗能非常高，为每年100 kW/m2-300 kW/m2，而且我国大型公共建筑能源系统效率较低，浪费严重，其电耗超过公共建筑节能设计标准规定指标的10倍以上。大型公共建筑中央空调系统运行能耗的科学评价是对大型公共建筑进行用能科学管理的重要基础，赵靖等人基于BP人工神经网络，将冷水机组、冷冻水泵、冷却水泵、冷却塔、其它设备月平均功率、运行时间和气象特征共七个作为预测因子，空调系统总能耗为输出量，建立了大型公共建筑系统运行能耗的预测评价模型，仿真结果表明，网络的平均预测误差输出值约为3.3E-014，可以满足实际应用的要求。

3 发展方向

人工神经网络基于较强的学习能力、自适应能力、容错能力和联想能力，在暖通空调领域中的应用已经取得了突破性的进展。今后的发展方向主要有两个方面，首先，不断改进神经网络性能，提高其预测和控制精确度；另外，逐步使神经网络的实现由软件实现过渡到硬件实现，扩大其在空调领域的应用范围，也是今后的研究方向之一。

参考文献

[1]胡守仁.神经网络导论[M].北京:国防科技大学出版社,1999.

[2]候媛彬,杜京义,汪梅.神经网络[M].西安电子科技大学出版社,2007.

第8篇：人工神经网络改进范文

关键词：化工类上市公司 财务危机 非线性分析方法

一、引言

国内目前的化工行业产品齐全，生产与销售量较大，是全球化工生产和消费的大国之一，为国民经济的增长、提高人民消费水平贡献了巨大力量。但随着经济不断发展和人民消费水平不断提高，化工产业的经营环境将面临严峻的考验，此时做好公司的财务管理，减少危机的发生率是保证企业正常生产运营的有效途径之一，并达到增强化工行业企业生命力的效果。因此，对财务危机预警进行探讨显得十分重要。

二、财务危机预警系统的涵义

财务危机，是指企业经营与财务周转不灵，使得公司经历无法按时偿还债务本息的窘境而最终导致破产的状态，又称财务困境或者财务失败。法律上的企业危机特指企业破产。

财务危机预警系统是是在企业信息化的基础上，借助一定的数学模型，考虑其超前预测效果，根据经营计划、企业财务报表和相关的其他财务资料发出预警信号，通过此信号辨别财务危机的有无或严重程度的一种监测系统和风险控制机制。

三、化工类上市公司财务危机预警的基本分析方法

财务危机预警通常需要由发达的证券市场提供原始数据，并通过实证的分析方法对这些数据进行分析。我国对财务危机预警的方法很多，主要有单变量分析法、二类线性判定分析、Z分数模型、F分数模型、基于Jackknife检验模型、基于粗糙-模糊神经网络（Rough-Fuzzy-ANN）的模型和基于BP算法的人工神经网络模型。本文着重介绍最后一种模型，因为前面的模型方法只是一些比较常规的线性分析方法，不适合用于化工类上市公司财务危机预警系统的建立，因为化工业的内容涵盖较为广泛，就目前来说国内化工业包含天然气、石油和煤炭等行业，他们具有不同特色，仅仅采用线性的常规分析方法则会造成较大误差。而采用基于BP算法的人工神经网络作为一种定性分析，不需要假定事先概率分布或者多变量正态分布就能通过其本身采用的非线性关系准确识别和模拟数据，因而符合化工类上市公司的复杂性和综合性。

人工智能领域中的重要分支之一则是人工神经网络，该网络系统是由大量简单的神经元通过多种组合关系互相连接而形成的，是一种模拟人类大脑结构的用于并行大规模处理非线性问题的抽象计算模型。而所谓的BP算法是一种前向计算、误差反向传播的多层反馈神经网络。结合BP算法和人工神经网络则形成了一种典型的非线性分析方法，即基于BP算法的人工神经网络，它以人工神经网络系统为基础，主要有三大部分组成：一个输入层、隐含层（可以是多个）、输出层，在此基础上引入BP算法，将由作用函数运算后的输出结果与期望值作对比，如果误差在允许范围内则停止传播，反之则向反方向传播误差，达到控制误差的目的，使输出值符合精度的要求。

四、财务危机预警存在的问题及改进方法

高速发展的市场经济和日益成熟的证券市场使我国不少上市公司频繁陷入财务危机，而具有高投资、大规模和长周期特点的化工类上市公司的财务质量对国民与市场经济、企业投资者利益及社会的影响较为显著，因此对其财务危机的预测要求将越来越高，而由于我国这方面的起步较晚，研究时间相对西方国家来说相对较短，虽然已得到一些成果，但此研究还存在较多问题。以下针对几个问题提出相关建议。

1、证券市场不完善

通过上述分析可知，建立财务危机预警系统需要原始数据，而这些数据来自于证券市场。若证券市场不够完善，即使采用精度较高的模型来进行分析，提供的数据就会对结果产生相对较大的误差，这将影响预警系统输出结果的精度。正所谓磨刀不误砍柴工，对此首先要完善证券市场，才能使上市公司财务危机预警达到一定效果。

2、模型缺乏理论依据

无论是国内还是国外，目前没有一个重要的理论能够说明财务比率在破产前的预测能力，说明支持财务危机预警系统的理论依据都比较薄弱。预测模型只能通过实证研究得到，从而影响预测模型的可靠性。为此，需要从理论出发，建立一个有说服力的优选预警变量的理论框架。

3、适合化工类上市公司财务危机预警的模型较少

只有采用非线性分析的模型才能准确地对化工类上市公司的财务危机进行预测，而前人提出的常规分析模型是基于线性分析的，若采用这些模型将造成较大的误差。目前主要采用的非线性分析模型是基于BP算法的人工神经网络模型，虽然目前的预警结果相对准确，但面对市场经济的发展，也许误差会不断增大，因此亟需广大学者对基于非线性分析的预警模型进行研究。

四、结语

建立财务危机预警系统的目的是帮助企业及时处理和解决预警系统提前预测出的潜在风险。通过对预警系统的现状研究，大多数财务危机预警的分析方法具有局限性，即判别方法仅对同一行业有效，而化工类上市公司的综合性较强，从而限制了常规线性分析方法的使用，目前针对化工类的BP 人工神经网络财务危机预警研究方法是较能行之有效的，从而充分体现了该技术在危机预警方面的优势，但在财务指标的筛选上还是存在较大误差，模型还不够简化等缺点，因此说明化工类上市公司的财务危机预警系统还存在较多问题，限于篇幅，本文只列出几条。总而言之，财务危机预警的问题不容忽视，特别是在市场经济竞争十分激烈与险恶的环境下。这项任重道远的系统工程需要广大学者的不断深入探讨与实践，使其发挥良好的实用价值。

参考文献：

[1]周春生.企业风险与危机管理[M].北京大学出版社，2007

[2]杨淑娥.企业多层次财务危机预警研究方法与应用[M]，经济科学出版社，2009

第9篇：人工神经网络改进范文

【关键词】系统辨识 神经网络 遗传算法 模糊逻辑

一、引言

系统辨识属于现代控制工程范畴，是以研究建立一个系统的数学模型的技术方法。分析法和实验法是主要的数学模型建立方法。系统辨是一种实验建立数学模型的方法，可实时建模，满足不同模型建立的需求。L.A.Zadeh于1962年提出系统辨识的定义：在输入、输出的基础上，确定一个在一定条件下与所观测系统相等的系统。系统辨识技术主要由系统的结构辨识和系统的参数估计两部分组成。

系统的数学表达式的形式称之为系统的结构。对SISO系统而言，系统的阶次为系统的机构；对多变量线性系统而言，模型结构就是系统的能控性结构指数或能观性结构指数 。但实际应用中难以找到与现有系统等价的模型。因此，系统辨识从实际的角度看是选择一个最好的能拟合实际系统输入输出特性的模型。

本文介绍一些新型的系统辨识方法，体现新型方法的优势，最后得出结论。

二、基于神经网络的非线性系统辨识方法

近年来，人工神经网络得到了广泛的应用，尤其是在模式识别、机器学习、智能计算和数据挖掘方面。人工神经网络具有较好的非线性计算能力、并行计算处理能力和自适应能力，这为非线性系统的辨识提供了新的解决方法。

结合神经网络的系统辨识法被用于各领域的研究，并不断提出改进型方法，取得了较好的进展。如刘通等人使用了径向基函数神经网络对伺服电机进行了辨识，使用了梯度下降方法进行训练，确定系统参数；张济民等人对摆式列车倾摆控制系统进行了改进，使用BP神经对倾摆控制系统进行辨识；崔文峰等人将最小二乘法与传统人工神经网络结合，改善了移动机器人CyCab的运行系统。

与传统的系统识别方法相比较，人工神经网络具有较多优点：

（一）使用神经元之间相连接的权值使得系统的输出可以逐渐进行调整；

（二）可以辨识非线性系统，这种辨识方法是通过神经网络自身来进行，无需编程；

（三）无需对系统建行数模，因为神经网络的参数已都反映在内部；

（四）神经网络的独立性强，它采用的学习算法是它收敛速度的唯一影响因素；

（五）神经网络也适用于在线计算机控制。

三、基于遗传算法的非线性系统辨识方法

遗传算法是一种新型的求解最优算法，它的思想来源于资源遗传学，结合了自然选择的优点与数学概率性算法，具有诸多优点，如全范围的搜索域、求取的解为全局最优和接受任意性质的函数，因此在各领域都有广泛的应用。

雷旭升等人[5]使用了遗传算法对小型无人飞行器的动力学模型进行高精度的构建，并对构建的系统进行了仿真，验证了系统的有效性；赵静等人[6]对人体能量代谢分析仪气体流量系统进行了模型建立，使用遗传算法解决了传统系统辨识方法辨识时产生的较大时延和误差较大的问题。

四、基于模糊理论的非线性系统辨识方法

近年来，模糊逻辑理论在非线性系统辨识领域中得到广泛的应用，用模糊集合理论，从系统输入和输出量测值来辨识系统的模糊模型，是系统辨识的有效途径。模型结构辨识和模型参数预计是模糊建模的主要内容。常用的模型是T-S模型，T-S模型具有计算速度快、结构模型易观、逼近力强等特点。

赵宏伟等人[7]提出了一种基于系统辨识的自适应网络模型，建立T-S推理模型系统，并应用于磨矿控制领域；李超顺等人[8]针对水轮机调节系统的复杂性、非线性和难以用明确数学模型表达的特点，建立了该系统的T-S模型，实现了模糊模型结构的自适应优化；叶剑斌[9]等人针对了现有算法中容易出现的维数灾难，同时将模糊语言理论和支持向量机的方法结合，提出了一种组合方法，提高了函数逼近的能力。此外，还有一些综合上述三种方法的组合型辨识的方法。

五、结语

近年来，系统辨识的方法得到了不断的发展，系统辨识已经成为了现代控制工程领域中十分重要的技术与研究方向。随着人工神经网络、模糊逻辑理论、遗传算法、人工智能理论的成熟发展，越来越多的新型非线性系统辨识方法被不断提出，且在实际工程应用中得到了有效性验证与较好的效果。但对于现实工程中结构复杂的各种系统难以找到一个统一的系统辨识方法，因此研究需要更多的新型非线性系统辨识方法去解决实际工程应用中出现的问题。对传统的系统辨识方法进行不断完善将是系统辨识未来的发展方向。

参考文献：

[1]王乐一，赵文. 系统辨识：新的模式、挑战及机遇[J].自动化学报，2013，39（9）：933-942.

[2]刘通.基于RBF神经网络的某交流伺服系统辨识研究[J].机械制造与自动化，2013，（2）：113-115.

[3]张济民，王开文，池茂儒.基于BP神经网络摆式列车倾摆控制系统的辨识[J] .机床与液压，2003，（5） ：33-35.

[4]崔文峰，史仪凯.移动机器人的键合图建模与参数辨识[J].机械科学与技术，2012，31（7） ：1062-1065.

[5]雷旭升，白浪.基于自适应遗传算法的小型无人旋翼机系统辨识方法[J].机器人，2011，33（5）：528-532.

[6] 赵静，郭巧，王萍.基于遗传算法的人体能量代谢分析系统辨识[J] .控制工程，2004，11（1）：17-19.

[7] 赵宏伟，齐一名，臧雪柏等.基于系统辨识与T―S模糊神经网络的磨矿分级控制[J].吉林大学学报：工学版，2011，41（1） ：171-175.