基于神经网络的建模方法

人工神经网络（ANN，Artificial Neural Networks）是利用计算机模拟人脑的结构和功能的一门新学科，它具备优良的信息处理特性：应用ANN无需具备对象的先验知识，而根据对象的输入、输出数据直接建模；独特的非传统的表达方式和固有的学习能力，使之在解决高度非线性和严重不确定性系统控制方面具有巨大的潜力。目前，ANN已成功地用于复杂工业过程的动态建模、系统辨识和控制、数据分析、故障诊断等方面，显现出强大的生命力。ANN是建立模型的一种十分便利和有效的方法，将过程易测量的辅助变量作为神经网络的输入，将建模对象作为ANN的输出，通过网络的自学习能力完成对象的估计。

基于人工神经网络（Artificial Neural Network，简记ANN）的建模是近年来研究最多、发展很快和应用范围非常广泛的一种建模技术。由于人工神经网络建模可在不具备对象先验知识的条件下，根据对象的输入输出数据直接建模（将辅助变量作为人工神经网络的输入，而主导变量则作为网络的输出，通过网络的学习来解决不可测变量的建模问题），模型的在线校正能力强，并能实用于高度非线性和严重不确定性系统，因此它为解决复杂系统过程参数的建模问题提供了一条有效途径。

采用人工神经网络进行建模有两种形式：一种是利用人工神经网络直接建模，用网络来代替常规数学模型描述辅助变量和主导变量间的关系，完成由可测信息空间到主导变量的映射，如图2-1a所示；另一种是与常规模型（如机理模型等）相结合，用人工神经网络来估计常规模型的模型参数，进而实现建模，如图2-1b所示。

(www.xing528.com)

图2-1 基于神经网络的建模

在建模中常用的ANN结构有反向传播网络（BPN，Backpropration Neural Networks）、径向基函数神经网络（RBFN，Radial Basis Function Neural Networks）、回流网络（RNN，Re-current Neural Networks）等。但ANN并不是完美无缺的，在结构和算法方面还存在许多问题，如ANN拓扑结构只能凭经验加试算进行选择，训练样本的空间分布和训练方法对ANN的性能有极大的影响，ANN学习和预测算法有待改进，ANN训练数据集的正交性和完备性问题；ANN的知识推理等问题。在实际应用中，网络学习训练样本的数量和质量、学习算法、网络的拓扑结构和类型等的选择对所构成的建模的性能都有重大影响。