[发明专利]一种神经网络的系统控制器结构及系统辨识结构

权利要求书

1.一种神经网络系统控制器结构，其特征在于：包含神经网络控制结构、系统控制中线性无关的基函数结构、相应权与权值的分析迭代训练结构；根据可覆盖控制范围的样本，调节线性无关的基函数的权值，在实际控制中对期望输出值进行神经网络修正处理，以提高输出控制精度；在神经网络权值分析迭代训练中使用了高斯-赛德尔迭代、SOR超松弛迭代方法或者雅可比迭代方法。

2.一种神经网络系统辨识结构，其特征在于：包含神经网络辨识结构、系统辨识中线性无关的基函数结构、相应权与权值的分析迭代训练结构；根据可覆盖控制范围的样本，调节线性无关的基函数的权值，使用线性无关的基函数与权值重构控制系统的描述函数；在神经网络权值分析迭代训练中使用了高斯-赛德尔迭代、SOR超松弛迭代方法或者雅可比迭代方法。

3.根据权利要求2所述的神经网络系统辨识结构，其特征在于：在神经网络权值分析迭代训练中对于高斯-赛德尔迭代、SOR超松弛迭代方法包含下述两个方程式：

一、对于一组训练样本(x_i，y_i)，神经网络系统辨识结构的分析迭代训练中使用高斯-赛德尔迭代有公式：

其矩阵表达式为：a^(k+1)＝-(L+D)^-1Ra^(k)+(L+D)^-1b；其中，为系统辨识结构神经网络基函数，a_i为神经网络基函数权值，k为迭代次数，i＝0，1，…，m，内积定义为Γ(x_i)为内积权函数，可取为常数；矩阵令矩阵L是A的上三角部分元素构成的严格上三角阵，R是A的下三角部分元素构成的严格下三角阵，D是A的对角线元素构成的对角阵；

二、神经网络系统辨识结构中使用超松弛(SOR)迭代有：

其矩阵表达式为：a^(k+1)＝(D+φL)^-1[(1-φ)D-φR]a^(k)+φ(D+φL)^-1b；其中，0＜φ＜2为迭代因子，为系统辨识结构神经网络基函数，a_i为神经网络基函数权值，k为迭代次数，i＝0，1，…，m，内积定义为Γ(x_i)为内积权函数，可取为常数；矩阵令矩阵L是A的上三角部分元素构成的严格上三角阵，R是A的下三角部分元素构成的严格下三角阵，D是A的对角线元素构成的对角阵。

4.根据权利要求1所述的神经网络系统控制器结构，其特征在于：在神经网络权值分析迭代训练中对于高斯-赛德尔迭代、SOR超松弛迭代方法包含下述两个方程式：

一、对于一组训练样本(x_i，y_i)，神经网络控制器结构中使用高斯-赛德尔迭代有公式：

其矩阵表达式为：ω^(k+1)＝-(L+D)^-1Rω^(k)+(L+D)^-1b；其中，为神经网络控制器结构基函数，ω_i为神经网络基函数权值，k为迭代次数，i＝0，1，…，m，内积定义为Γ(x_i)为内积权函数，可取为常数；矩阵令矩阵L是A的上三角部分元素构成的严格上三角阵，R是A的下三角部分元素构成的严格下三角阵，D是A的对角线元素构成的对角阵；

二、神经网络系统控制器结构中使用超松弛(SOR)迭代有：

其矩阵表达式为：ω^(k+1)＝(D+φL)^-1[(1-φ)D-φR]ω^(k)+φ(D+φL)^-1b；其中，0＜φ＜2为迭代因子，为神经网络控制器结构基函数，ω_i为神经网络基函数权值，k为迭代次数，i＝0，1，…，m，内积定义为Γ(x_i)为内积权函数，可取为常数；矩阵令矩阵L是A的上三角部分元素构成的严格上三角阵，R是A的下三角部分元素构成的严格下三角阵，D是A的对角线元素构成的对角阵。