系统辨识综述

系统辨识在自动控制中的应用自动控制是现代科学技术的重要领域，它涉及到工业生产、交通运输、航空航天等各个方面。

而系统辨识作为自动控制的重要工具之一，具有广泛的应用。

本文将从系统辨识的定义、方法以及在自动控制中的应用等方面进行论述。

首先，我们来了解一下系统辨识的定义。

系统辨识是指通过对已知输入输出数据进行分析和处理，从而建立系统模型的过程。

这个过程可以通过数学模型、统计模型或者其他方法来实现。

系统辨识的目的是为了了解系统的结构、参数和特性，从而实现对系统的控制和优化。

接下来，我们来介绍一些常用的系统辨识方法。

首先是参数辨识方法，它是通过对系统的输入输出数据进行拟合，从而得到系统的参数。

常见的参数辨识方法有最小二乘法、极大似然估计法等。

其次是非参数辨识方法，它是通过对系统的输入输出数据进行分析，而不需要事先假设系统的数学模型。

常见的非参数辨识方法有频域分析法、时域分析法等。

此外，还有一些高级的系统辨识方法，如神经网络辨识、遗传算法辨识等。

系统辨识在自动控制中有着广泛的应用。

首先是系统建模与仿真。

通过系统辨识，我们可以建立系统的数学模型，并进行仿真实验。

这有助于我们了解系统的动态特性，优化系统的控制算法，提高系统的性能。

其次是系统故障诊断与预测。

通过对系统的输入输出数据进行辨识，我们可以检测系统的故障并进行预测，从而及时采取措施进行修复或者替换，避免系统的故障对生产和运行造成损失。

再次是系统优化与控制。

系统辨识可以帮助我们了解系统的结构和参数，从而优化系统的控制算法，提高系统的控制性能。

最后是系统设计与改进。

通过系统辨识，我们可以对系统的结构和参数进行分析，从而指导系统的设计和改进，提高系统的可靠性和性能。

然而，系统辨识也存在一些挑战和限制。

首先是数据采集的难题。

系统辨识需要大量的输入输出数据，而有些系统的数据采集比较困难，例如在航空航天领域或者海洋工程中。

其次是模型误差的问题。

系统辨识的结果往往会受到噪声和测量误差的影响，从而导致模型误差。

系统是由内部相互联系、相互制约、相互作用的要素构成，具有整体功能和综合行为的统一体，整体性是系统最基本的特性，同时系统接受外部因素的制约和作用。

系统建模就是建立表征系统状态参数之间以及与外作用之间的相互作用的数学表达式的过程。

系统建模是系统分析和研究的基础，能够反映系统本质特性的模型建立后，可以借助数学分析，数值模拟，计算仿真等手段开展系统分析，从而实现对系统的合理设计和有效控制。

系统建模有两类方法：理论建模和实验建模。

理论建模是指从已知的定理，原理和定律出发，对系统的内在规律进行系统分析和研究从而建立起系统的数学模型。

实验建模是直接从系统运行或试验中测量到数据，应用系统辨识方法建立系统模型。

系统辨识的作用是研究如何建立系统数学模型。

辨识三要素:数据、模型类和准则。

辨识就是按照一个准则在一组模型类中寻找一个与数据拟合得最好的模型。

辨识准则有：最小二乘准则：最小方差准则、最大似然准则、贝叶斯准则、H无穷准则等辨识算法。

对于给定的候选数学模型集，根据辨识准则建立辨识方程组之后，系统辨识问题就化成了一个极值优化计算问题。

对于线性系统，可应用最小二乘准则，对于非线性系统常采用迭代算法求解;也可用逐点递推逼近算法求解。

系统辨识分为离线辨识和在线辨识两种。

离线辨识也称事后处理，先将实验过程中输入一输出数据记录下来，实验结束后再进行辨识。

由于时间较充裕，记录的信息一般较多，可以适用较复杂的建模问题。

优点：估计模型参数精度高，缺点：要求存储量大，运算量大，计算时间长。

在线辨识，即在系统运行中边测量边辨识，一般将辨识结果直接用于系统控制，要求处理信息速度较快，通常采用递推算法，不断用新的测量数据修正当时的估计值。

由于计算机处理过程比较耗时，目前还主要用于简单模型的建摸。

优点：计算量小，适合实时控制和自适应控制。

缺点：辨识精度较差。

系统分析是己知系统的数学模型，研究系统对各种外作用的响应历程和表现特性:系统辨识则是反过来，从已经测量出的外作用和响应历程确定系统的数学模型;通常在控制论中称系统分析为正问题，系统辨识是反问题。

文献2：Model selection approaches for non-linear system identification: a reviewX. Hong, R.J. Mitchell, S. Chen, C.J. Harris, K. Li and G.W. Irwin. International Journal of Systems Science, 2008,39(10): 925–946非线性系统辨识模型选择方法综述摘要：近20年来基于有限观测数据集的非线性系统辨识方法的研究比较成熟。

由于可利用现有线性学习算法，同时满足收敛条件，目前深入研究和广泛使用的非线性系统辨识方法是一类具有万能逼近能力的参数线性化非线性模型辨识（linear-in-the-parameters nonlinear model identification ）。

本文综述了参数线性化的非线性模型选择方法。

非线性系统辨识最基本问题是从观测数据中识别具有最好模型泛化性能的最小模型。

综述了各种非线性系统辨识算法中实现良好模型泛化性的一些重要概念，包括贝叶斯参数正规化，基于交叉验证和实验设计的模型选择准则。

机器学习的一个显著进步，被认为是确定的结构风险最小化原则为基础的内核模式，即支持向量机的发展。

基于凸优化建模算法，包括支持向量回归算法，输入选择算法和在线系统辨识算法。

1 引言控制工程学科的系统辨识，是指从测量数据建立系统/过程动态特性的数学描述，以便准确预测输入未来行为。

系统辨识2个重要子问题：（1）确定描述系统输入和输出变量之间函数关系的模型结构；（2）估计选定或衍生模型结构范围内模型参数。

最初自然的想法是使用输入输出观测值线性差分方程。

早期研究集中在线性时不变系统，近期线性辨识研究考虑连续系统辨识、子空间辨识、变量误差法（errors-in-the-variable methods ）。

模型质量重要测度是未知过程逼近的拟合精度。

论文系统辨识姿态角控制1.系统辨识概述辨识、状态估计和控制理论是现代控制理论三个相互渗透的领域。

辨识和状态估计离不开控制理论的支持，控制理论的应用又几乎不能没有辨识和状态估计技术。

随着控制过程复杂性的提高，控制理论的应用日益广泛，但其实际应用不能脱离被控对象的数学模型。

然而在大多数情况下，被控对象的数学模型是不知道的，或者在正常运行期间模型的参数可能发生变化，因此利用控制理论去解决实际问题时，首先需要建立被控对象的数学模型。

系统辨识正是适应这一需要而形成的，他是现代控制理论中一个很活跃的分支。

社会科学和自然科学领域已经投入相当多的人力去观察、研究有关的系统辨识问题。

系统辨识是建模的一种方法，不同的学科领域，对应着不同的数学模型。

从某种意义上来说，不同学科的发展过程就是建立他的数学模型的过程。

辨识问题可以归结为用一个模型来表示可观系统（或将要改造的系统）本质特征的一种演算，并用这个模型吧对客观系统的理解表示成有用的形式。

当然可以刻有另外的描述，辨识有三个要素：数据，模型类和准则。

辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型。

总而言之，辨识的实质就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际过程的静态或动态特性。

通过辨识建立数学模型的目的是估计表征系统行为的重要参数，建立一个能模仿真实系统行为的模型，用当前可测量的系统的输入和输出预测系统输出的未来演变，以及设计控制器。

对系统进行分析的主要问题是根据输入时间函数和系统的特性来确定输出信号。

对系统进行控制的主要问题是根据系统的特性设计控制输入，使输出满足预先规定的要求。

而系统辨识所研究的问题恰好是这些问题的逆问题。

通常，预先给定一个模型类{}M（即给定一类已知结构的模型），一类输入信号u和等价准则(,)JLyyM（一般情况下，J是误差函数，是过程输出y和模型输出yM的一个泛函）；然后选择是误差函数J达到最小的模型，作为辨识所要求的结果。

控制系统中的系统辨识与自适应控制在控制系统中，系统辨识与自适应控制是两个关键的方面。

系统辨识是指通过实验或推理的方法，从输入和输出的数据中提取模型的参数和结构信息，以便更好地理解和控制系统的行为。

而自适应控制是指根据系统辨识得到的模型参数和结构信息，实时地调整控制器的参数以适应系统变化，以提高控制性能。

一、系统辨识1.1 参数辨识参数辨识是指确定系统动态模型中的参数。

常用的方法包括最小二乘法、极大似然估计法等。

最小二乘法是一种常见的参数辨识方法，通过最小化实际输出与模型输出之间的误差平方和来确定参数。

1.2 结构辨识结构辨识是指确定系统动态模型的结构，包括确定系统的阶数、输入输出关系等。

常用的结构辨识方法有ARX模型、ARMA模型等。

ARX模型是指自回归外部输入模型，适用于输入输出具有线性关系的系统。

ARMA模型是指自回归滑动平均模型，适用于输入输出关系存在滞后效应的系统。

二、自适应控制自适应控制是根据系统辨识得到的模型参数和结构信息，动态地调整控制器的参数以适应系统的变化。

常用的自适应控制方法有模型参考自适应控制、模型预测控制等。

2.1 模型参考自适应控制模型参考自适应控制是建立在系统辨识模型基础上的控制方法。

通过将系统输出与参考模型输出进行比较，通过调整控制器参数来减小误差。

常见的模型参考自适应控制方法有自适应PID控制、自适应模糊控制等。

2.2 模型预测控制模型预测控制是一种基于系统辨识模型的控制策略，通过对系统未来的状态进行预测，以求得最优控制输入。

模型预测控制可以同时考虑系统的多个输入和多个输出，具有较好的控制性能。

三、应用案例3.1 机械控制系统在机械控制系统中，系统辨识和自适应控制可以被应用于伺服控制系统。

通过系统辨识可以得到伺服电机的动态模型，然后利用自适应控制方法调整PID控制器的参数，以提高伺服系统的响应速度和稳定性。

3.2 化工控制系统在化工控制系统中，系统辨识和自适应控制可以被应用于控制某个反应器的温度。

系统辨识目的及三要素
1.系统辨识的目的
➢明确模型应用的最终目的是很重要的，因为它将决定如何观测数据、如何选择三要素以及采用什么数据拟合方法等。

而最根本的是它将影响辨
识结果.
➢辨识目的主要取决于模型的应用.
2.系统辨识的三要素
➢数据:由观测实体而得。

不唯一，受观测时间、观测目的、观测手段等影响。

➢模型类：规定了模型的形式。

不唯一，受辨识目的、辨识方法等影响。

➢准则：规定了模型与实体等价的评判标准。

不唯一，受辨识目的、辨识方法等影响。

➢系统辨识的三要素是评判数据拟合方法优劣的必要条件，只有在相同的三要素下，才可区分数据拟合方法的优劣；而在不同的三要素下,这种
结论也会改变。

如图1所示。

图1系统辨识三要素
3.系统辨识的应用
➢验证理论模型；要求：零极点、结构(阶次及时延）、参数都准确；模型类同理论模型。

➢设计常规控制器;要求：动态响应特性、零极点、时延准确；便于分析
的模型类。

➢设计数字控制器；要求:动态响应特性、时延准确；便于计算机运算的模型类。

➢设计仿真/训练系统；要求:动态响应特性准确；便于模拟实现的模型类。

➢预报预测；要求：动态响应特性、时延准确;便于计算机运算的模型类。

➢监视过程参数,实现故障诊断;要求：参数准确;能直观体现被监视过程参数的模型类。

➢系统的定量与定性分析;要求：静态关系准确;模型简单,便于人脑判断.。

有关系统综述的描述系统综述是对一个系统的全面概述和总结，包括系统的组成、功能、特点、应用领域等方面的描述。

系统综述通常用于介绍一个系统的基本情况，帮助读者快速了解该系统的基本特点和应用场景。

在进行系统综述时，首先需要明确系统的定义和范围。

系统可以是软件系统、硬件系统或者软硬件结合的复杂系统。

要对系统的组成部分进行详细的描述，包括系统的硬件、软件、网络设备等方面的内容。

同时，还需要介绍系统的基本功能和特点，例如系统的数据处理能力、通信能力、安全性等方面的特点。

此外，还可以介绍系统的性能指标，比如系统的处理速度、存储容量等。

在系统综述中，还可以介绍系统的应用领域和使用场景。

系统的应用领域可以是医疗、教育、交通、金融等各个领域，具体根据系统的实际应用情况来确定。

使用场景可以是日常生活中的各种情境，比如医院的病房、学校的教室、银行的柜台等。

通过介绍系统的应用领域和使用场景，可以帮助读者更好地理解系统的实际应用情况。

在系统综述中还可以介绍系统的优势和不足之处。

系统的优势可以是性能优异、易于使用、功能强大等方面的特点，而系统的不足之处可以是存在的问题、需要改进的地方等。

通过介绍系统的优势和不足之处，可以让读者更全面地了解系统的特点和局限性。

在系统综述的结尾，可以对系统的发展前景进行展望。

随着科技的不断进步和应用的不断拓展，系统的应用领域将会越来越广泛，系统的功能和性能也将得到进一步的提升。

通过对系统发展前景的展望，可以让读者对系统的未来发展有一个更加清晰的认识。

系统综述是对一个系统的全面概述和总结，可以帮助读者快速了解系统的基本情况、功能特点和应用场景。

在进行系统综述时，需要明确系统的定义和范围，介绍系统的组成部分、功能特点和性能指标，同时还可以介绍系统的应用领域和使用场景。

通过系统综述，读者可以对系统有一个更全面、深入的了解，为后续的研究和应用提供基础。

一. 传递函数辨识的时域法:1.()1sKe G s Ts τ-=+ , 在S 型曲线的速率变化最快处做一切线, 分别与时间轴t 及阶跃响应渐近线()y ∞相交于(0,)τ和0(,())t y ∞ (1) ()()11y y y K u u e ∞∞-===- (2) 0T t τ=- 或: 2121121212ln(1)ln(1)ln(1)ln(1)ln(1)ln(1)t t t y t y T y y y y τ----==------2. 1212(),()(1)(1)sKe G s T T T s T s τ-=>++()(0)y y K u∞-=τ可以根据阶跃响应曲线脱离起始的毫无反应的阶段到开始变化的时刻来确定.12121221*()1ttT T T T y t e e T T T T --=---- 取两个点的数据[][]0.4,*(0.4),0.8,*(0.8)y y12212121212()/2.16/() 1.74/0.55T T t t TT T T t t +≈+⎧⎨+≈-⎩ 二. 线性系统的开环传递函数辨识设开环输入信号为:()sin()d m y t A t ω= 输出:[]cos ()sin()sin cos sin f f f A y t A t t t A ϕωϕωωϕ⎡⎤=+=⎢⎥⎢⎥⎣⎦在时间域上取: 0,,2,,t h h nh = [](0),(),,()T Y yy h y n h= sin(0)sin()sin()cos(0)cos()cos()T h nh h nh ωωωψωωω⎡⎤=⎢⎥⎣⎦ 12cos sin t t c A c A ϕϕ==根据最小二乘原理: 11221ˆˆarctan ˆˆT Tf c c Y A c c ψψψϕ-⎛⎫⎡⎤⎡⎤===⎪⎢⎥⎣⎦⎣⎦⎝⎭开环系统相频和幅频为: 21ˆarctan 20lg ˆe m c M cϕ⎛⎫== ⎪⎝⎭⎝⎭三. 1.根据脉冲响应()g t 求脉冲传递函数1()G z -1112111()(1)(2)()1nk n nn b z b z G z g z g z g k z a z a z--------++==++++++(1)(2)()(2)(3)(1)()(1)(21)g g g n g g g n H g n g n g n ⎡⎤⎢⎥+⎢⎥=⎢⎥⎢⎥+-⎣⎦ 12(1)(1)(2)(2)(2)()g n g g n g G G g n g n +⎡⎤⎡⎤⎢⎥⎢⎥+⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦1111n n a a H G a --⎡⎤⎢⎥⎢⎥=-⎢⎥⎢⎥⎣⎦112212110001001n n n b a b G a a ab --⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦ 四. 相关分析法:一个具有脉冲响应函数为()g t 的系统,如果其输入量是信号()u t 的自相关函数()uu R τ,则其响应就等于输入信号()u t 与相应的输出信号()y t 之间的互相关函数()uy R τ当被辨识系统输入为白噪声(一种均值为0, 谱密度为非零常数的平稳随机过程)时, 只要确定输入与输出信号间的互相关函数, 即可求出被辨识系统的脉冲响应函数()g τ, 因为白噪声的自相关函数是一个δ函数, 即2()()uu R τσδτ= 又: 2()()uy R g τστ= 则:21()()uy g R ττσ=其中0()()()uy uu R g R d τλτλλ∞=-⎰要求: (1)持续激励 (2)最优输入信号M 序列的性质:(1) 一个n 级移位寄存器产生的M 序列周期为长度是: 21nN =-(2) 2211()/(1)xx N a N R a NN ττττ⎧⎛⎫++-≤≤⎪ ⎪=⎨⎝⎭⎪-<≤-⎩周期的偶函数M 序列的周期要大于被辨识系统的过渡时间. M 序列辨识过程:()220101()ˆ()()/ˆ(0)2()/()()()Txy xy N xy i N a S a C g d N N g i R i C S g R i C S a R sign x i y i N∆σσ∆∆∆τ∆∆τ-=+==⎡⎤=+⎣⎦⎡⎤=+⎣⎦≅+⎡⎤⎣⎦⎰∑五. 极大释然估计流程:1111ˆˆˆˆN N N N N N r K θθθε++++=+=+1(1)1(1)(1)N f N T f N fP h N K h N P h N ++=+++1(1)(1)1(1)(1)T N f f N N NT f N f P h N h N P P P h N P h N +++=-+++1ˆˆ(1)(1)T N N y N h N εθ+=+-+六. 最小二乘:11()()()()n ni i i i z k a y k i b u k i v k ===--+-+∑∑定义: []()(1),(2),,(),(1),(2),,()h k y k y k y k n u k u k u k n =---------[]1212,,,,,,,Tn n a a a b b b θ= 则: ()()()z k h k v k θ=+ 1. 一般最小二乘:令: (1)(1)(0)(1)(0)(1)(2)(2)(1)(2)(1)(2)()()(1)()(1)()m m z h y y n u u n z h y y n u u n Z H z m h m y m y m n u m u m n ----⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥----⎢⎥⎢⎥⎢⎥===⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥------⎣⎦⎣⎦⎣⎦()1ˆT T m m m m H H H Z θ-= ˆθθθ=- ()0E θ= (无偏估计)均方误差: ()()()11T T T T m mm m m m E H H H RH H H θθ--=例:1210104z r Z H R z r ⎡⎤⎡⎤⎡⎤===⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦()()1121ˆ2T T H H H Z z z θ-==+ ()()()1154T T T T r E H H H RH H Hθθ--==2. 加权最小二乘:[](1),(2),,()m W w w w m = ()1ˆT T m m mm m m H W H H W Z θ-= ˆθθθ=- ()0E θ= (无偏估计)均方误差: ()()()11T T T Tm m mm m m m m m m E H W H H W RW H H W H θθ--=如果 1m W R -= 则: ()111ˆT T m m m m H R H H R Z θ---=例: 用两台仪器对位置标量各测量一次, 量测量分别为12,z z , 仪器的测量误差均值为0, 方差分别为,4r r 的随机量, 求其最小二乘估计, 并计算估计的均方误差.解: 采用加权最小二乘估计, 权阵1m W R -=, 并计算估计的均方误差. 由题意得量测方程: Z H V θ=+()11241ˆ55T T H W H H W Z z z θ-==+ ()()()1145T T T T E H W H H W RW H H W H r θθ--==3. 一般最小二乘参数辨识流程图:七. 模糊系统辨识1. 模糊系统的设计设二维模糊系统()g x 为集合21122[,][,]U R αβαβ=⨯⊂上的一个函数, 其解析形式未知. 假设对任意一个x U ∈, 都能得到()g x , 则可设计一个逼近的模糊系统.步骤: (1)在[,]i i αβ上定义(1,2)i N i =个标准的, 一致的, 完备的模糊集12,,,i Ni i i A A A (2)组建12M N N =⨯条模糊集if then -规则:12i iu R ,如果1x 为11i A 且2x 为22i A , 则y 为12i iB , 其中11221,2,,,1,2,,i N i N ==将模糊集12i iB 的中心12()i iy 选择为: ()121212,i ii iy g e e =(3) ()()12121212121212121212111211()()()()()N N i i i i A A i i N N i i A A i i yx x f x x x μμμμ=====∑∑∑∑2. 万能逼近定理:令()f x 为二维模糊系统, ()g x 为未知函数, 如果()g x 在1122[,][,]U αβαβ=⨯上是连续可微的, 则模糊系统的逼近精度为:1121112max (1,2)i j ji i i j N g g g fh h h e e i x x +∞≤≤-∞∞∂∂-≤+=-=∂∂无穷维范数∞∙定义为()sup ()x Ud x d x ∞∈= j i e 为第j 个模糊集中心点的坐标.3. 仿真实例:(1) 针对一维函数()g x , 设计一个模糊系统()f x , 使之一致的逼近定义在[3,3]U =-上的连续函数()sin g x x =所需精度为0.2ε=, 即sup ()()x Ug x f x ε∈-<由于cos()1g x x∞∞∂==∂,g g fh h x∞∞∂-≤=∂,故取0.2h ≤满足精度要求, 取0.2h =则模糊集的个数为: 131LN n=+= 在[3,3]U =-上定义31个具有三角形隶属函数的模糊集j A .所设计的模糊系统为: 311311sin()()()()jj Aj j Aj e x f x x μμ===∑∑(2) 针对二维函数()g x , 设计一个模糊系统()f x , 使之一致的逼近定义在[1,1][1,1]U =-⨯-上的连续函数1212()0.520.10.280.06g x x x x x =++- 所需精度为 0.1ε=由于21sup 0.10.060.16x Ug x x ∈∞∂=-=∂,12sup 0.280.060.34x Ug x x ∈∞∂=-=∂取 120.2h h ==有: 0.160.20.340.20.1g f∞-≤⨯+⨯=满足精度要求由于2L =, 此时模糊集的个数为: 111LN n=+=, 即12,x x 分别在[1,1]U =-上定义11个具有三角形隶属函数的模糊集jA所设计的模糊系统为: ()12121212121111121111111211()()()()()i i i i A A i i i i AA i i g e e x x f x x x μμμμ=====∑∑∑∑八.遗传算法步骤: (1) 确定决策变量, 及各种约束条件,即确定个体的表现型x和问题的解空间(2) 建立优化模型, 即确定出目标函数的类型及数学描述形式或量化方法(3) 确定表示可行解的染色体编码方法, 即确定出个体的基因型x及遗传算法的搜索空间.(4) 确定解码方法, 即确定出由个体基因型x到个体表现型X的对应关系或转换方法.(5) 确定个体适应度的量化评价方法, 即确定出由目标函数值到个体适应度的转换规则(6) 设计遗传算子, 即确定选择运算, 交叉运算, 变异运算等遗传算子的具体操作方法.M G P P(7) 确定遗传算法的有关运行参数, ,,,c m流程图:九. 神经网络:1. BP 神经网络(1) 前向传播:输入: j ij ii x w x =∑ 输出: 2kj j jx wx =∑取()n k y k x =, 则网络输出与理想输出的误差为: ()()()n e k y k y k =- 误差性能指标函数为: 21()2E e k =(2) 反向传播:输出层及隐层的连接权值学习算法为:222()()k j j j j x Ew e k e k x w w ∆ηηη∂∂'=-==∂∂ 1k +时刻的网络权值为: 222(1)()j j j w t w t w ∆+=+ 隐层及输入层连接权值学习算法为: ()n ij ij ijy Ew e k w w ∆ηη∂∂=-=∂∂ 1k +时刻的网络权值为: (1)()ij ij ij w k w k w ∆+=+如果考虑上次权值, 对本次权值变化的影响, 需要加入动量因子α, 此时的权值为:(1)()()(1)ij ij ij ij ij w k w k w w k w k ∆α⎡⎤+=++--⎣⎦, 其中η为学习速率,α为动量因子, ,[0,1]ηα∈2. RBF 神经网络输入向量: 12[,,,]Tn X x x x = 径向基向量: 12[,,,,,]Tj m H h h h h =其中22exp ,1,2,,2jj j X Ch j m b ⎛⎫- ⎪=-= ⎪⎝⎭网络的第j 个节点的中心矢量为: 12[,,,,,]Tj j j ij nj C c c c c = 网络的基宽向量为: 12[,,,]Tm B b b b = 网络的权向量为: 12[,,,,,]j m W w w w w =k 时刻网络的输出为: 1()mm i i i y k wh w h ===∑设理想输出为()y k , 则性能指标函数为: []21()()()2m E k y k y k =- 根据梯度下降法, 输出权,节点中心及节点基宽参数的迭代算法如下:[]()()j m j w y k y k h ∆η=-()(1)(1)(2)j j j j j w k w k w w k w k ∆α⎡⎤=-++---⎣⎦ 其中η为学习速率,α为动量因子.。