《神经网络建模与动态系统辨识 [俄] 尤里·蒂蒙塞维 [俄]米哈伊尔·埃戈尔切夫》[98]百度网盘|亲测有效|pdf下载

产品特色

编辑推荐

·采用半经验神经网络，在机理模型的基础上引入神经网络修正，从而将传统的黑箱模型转换为灰箱模型，极大地降低了模型的维数以及训练集的大小。 ·示例和实验都是针对典型飞行器展开的，对飞行器自适应控制系统以及气动参数辨识建立了一套完整的处理方法，包含大量计算实验结果及分析。

内容简介

本书由来自莫斯科航空学院的学者撰写，研究如何为复杂系统建立自适应的神经网络模型。本书首先对动态系统进行抽象和概括，引申讨论了参数自适应、结构自适应、对象自适应、控制目标自适应等主题。然后对动态系统建模与控制中的传统神经网络方法进行总结和讨论，系统论述了学习算法、数据集获取等问题。本书的核心是关于半经验神经网络的理论及应用，通过在机理模型的基础上引入神经网络修正，构建了一个完整的理论体系。本书可以作为人工智能、自动控制、飞行器设计、系统辨识、复杂系统建模与仿真等学科或方向的教学用书，也可以为相关领域的工程技术人员提供有价值的参考。

作者简介

尤里·蒂蒙塞维（Yury Tiumentsev）莫斯科航空学院飞行动力学与控制系及计算数学与程序设计系教授，俄罗斯神经网络学会（RNNS）副理事长。研究领域包括人工神经网络、动态系统的神经网络建模与辨识、自适应与智能系统、非线性动态系统数学建模与计算机仿真等。
米哈伊尔·埃戈尔切夫（Mikhail Egorchev）俄罗斯RoboCV公司高级软件研发工程师，主要从事机器人应用系统自适应及最优控制方向的研究。目前的研究兴趣包括人工神经网络、动态系统神经网络建模与辨识、非线性动态系统数学建模与计算机仿真、数值优化方法、最优控制等。撰写本书时为莫斯科航空学院博士生。

目　　录

目　录
Neural Network Modeling and Identification of Dynamical Systems

译者序

前言

致谢

缩略词表

符号表

引言1

目　录 Neural Network Modeling and Identification of Dynamical Systems 译者序 前言 致谢 缩略词表 符号表 引言1 第1章 非线性动态系统受控运动的建模问题5 1.1 作为研究对象的动态系统5 1.1.1 动态系统的一般概念5 1.1.2 动态系统的分类8 1.1.3 环境的类型11 1.1.4 系统与环境的交互12 1.1.5 动态系统概念的形式化13 1.1.6 系统的行为和活动16 1.2 动态系统和自适应问题17 1.2.1 自适应的类型17 1.2.2 自适应控制问题的一般特征19 1.2.3 自适应系统基本结构的变体20 1.2.4 自适应控制问题中模型的作用22 1.3 动态系统建模的通用方法23 1.3.1 动态系统建模过程23 1.3.2 动态系统模型设计中需要解决的主要问题26 1.4 参考文献27 第2章 动态神经网络：结构和训练方法29 2.1 人工神经网络结构29 2.1.1 人工神经网络设计的生成法29 2.1.2 神经网络模型的分层结构33 2.1.3 作为ANN构造单元的神经元40 2.1.4 神经元的结构组织41 2.2 人工神经网络训练方法43 2.2.1 神经网络训练框架概述44 2.2.2 静态神经网络训练49 2.2.3 动态神经网络训练53 2.3 动态神经网络自适应方法57 2.3.1 扩展卡尔曼滤波器57 2.3.2 具有中间神经元的ANN模型60 2.3.3 ANN模型的增量构造62 2.4 动态神经网络训练集获取问题63 2.4.1 训练动态神经网络所需数据集构造过程的细节63 2.4.2 训练动态神经网络所需数据集构造过程的直接方法63 2.4.3 获取动态神经网络训练数据集的间接方法69 2.5 参考文献76 第3章 动态系统建模与控制的神经网络黑箱方法79 3.1 动态系统开发和维护相关的典型问题79 3.2 解决动态系统相关问题的神经网络黑箱方法79 3.2.1 模型的主要类型80 3.2.2 对作用在动态系统上的干扰的考虑方法81 3.3 基于ANN的动态系统建模与辨识83 3.3.1 动态系统建模的前馈神经网络83 3.3.2 动态系统建模的递归神经网络85 3.4 基于ANN的动态系统控制86 3.4.1 利用人工神经网络调整受控对象的动态特性86 3.4.2 多模态飞机的神经控制器最优集成综合95 3.5 参考文献108 第4章 非线性动态系统神经网络黑箱建模：飞机受控运动111 4.1 基于多层神经网络的飞机运动ANN模型111 4.1.1 基于多层神经网络的飞机运动ANN模型的一般结构111 4.1.2 飞机运动神经网络模型的批处理学习112 4.1.3 飞机运动神经网络模型的实时学习113 4.2 基于多层神经网络飞机运动ANN模型的性能评估113 4.3 ANN模型在不确定性条件下非线性动态系统自适应控制问题中的应用118 4.3.1 对自适应系统的需求118 4.3.2 模型参考自适应控制119 4.3.3 模型预测控制130 4.3.4 不确定性条件下飞机角运动的自适应控制133 4.4 参考文献136 第5章 受控动态系统的半经验神经网络模型138 5.1 半经验ANN动态系统建模方法138 5.2 半经验ANN模型设计过程143 5.3 半经验ANN模型导数计算151 5.4 半经验ANN模型同伦延拓训练方法160 5.5 半经验ANN模型实验最优设计165 5.6 参考文献168 第6章 飞行器运动神经网络半经验建模170 6.1 飞行器气动特性辨识与运动建模问题170 6.2 机动飞行器纵向短周期运动半经验建模171 6.3 飞行器三轴旋转运动半经验建模177 6.4 机动飞行器纵向平动与角运动半经验建模185 6.5 参考文献194 附录 自适应系统的计算实验结果195

显示全部信息

前　　言

前言
Neural Network Modeling and Identification of Dynamical Systems

全新工程系统开发过程中的一个关键步骤是建立数学与计算机模型，为创建和使用适当的技术系统提供解决方案。随着所创建系统复杂性的增加，对其模型复杂性的需求也随之增加，同时开发模型的成本也随之增加。

前言 Neural Network Modeling and Identification of Dynamical Systems 全新工程系统开发过程中的一个关键步骤是建立数学与计算机模型，为创建和使用适当的技术系统提供解决方案。随着所创建系统复杂性的增加，对其模型复杂性的需求也随之增加，同时开发模型的成本也随之增加。 目前，数学与计算机建模的可能方法落后于许多工程领域的需求，这些领域包括航空航天技术、机器人技术及复杂生产过程控制等。来自这些领域的技术系统的特点是所建模对象和过程非常复杂，它们高维、非线性、非平稳，而且所建模对象实现的功能复杂多样。解决此类对象的建模问题非常复杂，必须考虑多种多样的不确定性，例如所模拟对象以及对象的运行条件的不完整和不准确的特征与特性。此外，由于设备故障和结构损坏，所模拟对象的特性可能发生变化，包括运行过程中突发的剧烈变化。此时，此前基于标称（“完好无损的”）状态构建的对象模型将不再合适。例如在对象控制系统中，如果采用基于标称状态的模型，将会出现极端危险的状况。 因此，为建模运行在各种各样不确定性下的非线性受控系统，寻找新的工具是合理的。新的建模方法为解决复杂动态系统的控制问题提供了新的机会。 本书引言中，针对运行在多种多样不确定性条件下的受控动态系统，论述了需要用新方法构建其数学与计算机模型，说明了在不确定性条件下解决动态系统控制问题需要动态系统模型具备一定的自适应性。传统的动态系统数学和计算机建模方法无法满足这一要求，而应用神经网络建模技术可以克服这一困难。然而，传统的ANN（人工神经网络）模型属于黑箱类型，无法为完成任务提供完整的解决方案。因此，有必要将黑箱类型的神经网络模型扩展为灰箱类型。 第1章介绍非线性动态系统受控运动的建模问题，涵盖的主题包括作为研究对象的动态系统、动态系统概念的形式化以及此类系统的行为和活动等。讨论了自适应性的概念，这是高级动态系统建模中一个重要的概念，特别是对于各种类型的机器人化飞行器。提出了一种解决动态系统建模问题的方法，给出了建模过程的总体方案，确定了建立动态系统模型时需要解决的主要问题。 第2章介绍动态系统建模和控制中的ANN方法，讨论了动态系统ANN模型的不同类型，包括静态（前馈）网络和动态（反馈）网络。确定了构建ANN模型过程中的三个主要环节：生成潜力丰富的模型类，其中包含作为基本单元的ANN模型（类实例）；获取调整ANN模型结构和参数所需的信息数据集；建立学习算法，对所构建的ANN模型进行结构调整和参数调整。此外，考虑了确保ANN模型的自适应性，这对于解决飞行器机器人化问题来说，是最重要的问题之一。 第3章专门针对飞行器，采用传统的ANN建模工具，研究了动态系统受控运动的建模问题。其中的模型仅基于模拟对象行为有关的实验数据，属于纯经验的（黑箱）模型。讨论了表示动态系统的两种主要策略，即状态空间表示和输入-输出表示。我们考虑了动态系统的建模和辨识问题，以及前馈网络和递归网络解决这个问题的能力。传统的（黑箱）网络用来解决控制问题，采用调整飞机动态特性这样一个简单问题作为示例。该方法的扩展是为多模态动态系统构建神经控制器的最优集成。 第4章给出了基于传统ANN黑箱模型的运动建模与控制问题的求解实例。采用NARX类型的ANN结构，从而可以建立飞行器运动模型及控制律。作为一个例子，考虑了飞行器受控纵向角运动的建模问题。针对这一问题，得到了不同类型飞行器的相应运动模型，并对其性能进行了评估。这些模型用于构建自适应控制系统，如模型参考自适应控制（MRAC）和模型预测控制（MPC），解决了一系列应用问题。所获结果使我们能够估计ANN模拟的潜在能力（在所考虑问题范围内）。结果表明，在某些情况下，这类模型在解决飞行器受控运动建模问题时存在不足。因此，需要对这类模型进行扩展，第5章和第6章对此进行了讨论。 第5章提出了一种ANN建模的变体，通过在模型中嵌入关于建模对象的已知理论知识，扩展了传统动态ANN模型的能力，由此产生的ANN组合模型称为半经验（灰箱）模型。这里考虑了这类模型的构造过程以及其中主要元素的实现，并用一个动态系统示例说明了它们的特殊性。此外，使用相同的例子，结合其复杂的变体，对受控动态系统半经验ANN的建模能力进行了初步的实验评估。该章还描述了连续时间状态空间半经验ANN模型的性质，然后讨论了计算误差函数导数所需的实时递归学习（RTRL）算法和时间反向传播（BPTT）算法的连续时间版本。还给出了半经验ANN模型的同伦延拓训练方法。最后，讨论了受控动态系统半经验模型的最优实验设计问题。 第6章介绍了在求解机动飞行器运动模拟和气动参数辨识相关的实际应用问题时获得的计算实验结果。结果表明，半经验方法可以有效地解决非线性动态控制系统的建模以及特征辨识。首先考虑了机动飞行器纵向短周期运动的简单建模问题。然后给出了机动飞行器完整角运动建模问题以及气动特性辨识问题的结果（升力和侧向力系数、滚动角系数、偏航角系数和俯仰角系数），它们都是多个变

显示全部信息