前面先对锅炉温度系统的做一些基本的了解，在此基础上根据控制系统的实 时状况，最后可以建立传递函数模型。由于不可避免的存在非线性、延时、多耦 合等缺点，因此当有各种扰动产生的时候，传递函数的许多系数值都会对应的会 发生改变，这些都会会对最后的实际控制效果有一定的影响。所以本节重点运用 RBF 神经网路系统辨识来进行更进一步的改进以便实现更好的控制效果。

4。1 RBF 神经网络辨识(非线性系统)文献综述

系统辨识是针对某一系统的输入输出数据，在符合特定要求下，建立与符 合系统的静动态特性模型。主要展现在三个方面:

(1)输入输出值。对于绝大多数系统而言，一般知道系统的输入输出值后便 能反应出其系统特性，而且在分析的基础上就能对系统性能有一个宏观的了解。 换句话说就是在满足条件的大前提下，选取最具代表性的数据，从而便于分析， 能够对系统有足够的激励。

(2)恰当的模型集。一个合格的模型不仅能够达到预期要求还可以对系统进 行更好的辨识。大多数模型集的建立都能用机理建模法。

(3)评价标准。建立这个评价标准目的是为了能让建立的模型输出尽量的接 近建立模型过程中所采用的实际数据。辨识，其实就是通过某种规则算法，让建 立的系统模型能较为准确的模拟实际的输入输出。

当针对非线性系统进行辨识的时候，通常都把随机选取一个信号来当作输入 的信号，系统输出的数据都是在神经网络的训练数据的基础上。选取神经网络的 模型，需要考虑到要想得到越高的精度就必须建立更复杂的系统模型，所以都会 适当的妥协来采取综合性的处理。在神经网络辨识评价准则方面，大部分都会使 用误差的泛函，即

4。1。1 过程的数学描述

过程的数学描述大致能分为两种，第一种为输入输出，与辨识方法相对应的， 它另一种是状态空间。 这两种描述当中两种描述当中，输入输出描述是和辨识

方法相对应的， 此种描述在应用时又常分成连续型和离散型。而应用于数字计 算机时，必须采用离散型模型。

在一些工业的实际情况下，都会借助计算机这个工具来进行描述。因此， 本文输入输出描述是在建立连续过程的前提上离散化。实际上拥有 n 个输入和 n2个输出的非线性系统的离散 NARMAX模型可表示为:

4。1。2 RBF 系统辨识结构

通过上面的基础我们能够使用数学描述出 RBF 网络模型的过程表达为:

上式中 k为输入值， •则表示了 RBF 神经网络非线性函数，Rh 为 RBF 连接权值，h 是第二层中节点个数。可以总结出，此网络的目地就是确定对 隐层节点个数，径向基函数的核心，选取的衔接权值 及宽度，这些都能让所建 立的数学 模型的输出能够达到要求更加接近实际的输出。使用 RBF 进行系统辨 识时，分为并联模型和串并联模型两种结构。

1。串一并联结构来*自-优=尔,论:文+网www.youerw.com

得到 NARMAX 模型后，确定串并联模型辨识的神经网络后，其描述可以表 示为:

使用此种结构的好处有许多，首先它拥有一个不错的学习收敛性 ，同时它的 算法拥有全局稳定性的特点，因此模型辨识中被较应用在较多场合。本篇论文就 是以此结构为基础。

2。并联结构

由( 4 3)的 NARMAX模型，可得并联 模型辨识 的神经网络如图 4 2 所 示，其描述可以通过下式来表达:

 

其中，神经网络模型一般会被作为一个动态网络处理，虽然有良好的逼近 效果，但是后果就是这种结构的稳定性大打折扣，并不能保证。因此，为了保证 稳定性大部分场合都不会使用这种结构。