刘小雍，方华京，杨 航，张 强，张南庆

(1.遵义师范学院工学院，贵州 遵义 563006； 2 华中科技大学自动化学院，湖北 武汉 430074)

0 引言

建立被控或研究对象的准确数学模型是高级控制、故障诊断、过程仿真以及在线监测等应用的成功保证[1]。近年来，随着科技的发展，众多的实际工程系统呈现出复杂的非线性及变量间的耦合关系等因素，导致很难建立准确的数学模型；此外，对来自控制系统中的过程参数变化、外部干扰或传感器失效也对控制系统的设计增加了诸多不确定性[2]。这些现象的存在更需要探索一种更有效的建模方法，能够实现复杂的输入-输出映射及非线性函数逼近。因此，出现了基于数据或数据驱动的建模方法[3-4]，即通过传感器或其他数据获取设备获取被控对象的输入-输出数据，采用神经网络[5]、T-S模糊模型[6]、自回归滑动平均模型[7]等方法建立复杂系统的数学模型，这些方法的共同特点是建立的数学模型一般是确定的，不受系统参数变化、测量噪声或其他不确定性等因素的影响，具有一定的局限性：1)确定的数学模型不能自适应系统的变化，易受外界干扰；2)基于训练数据建立的数学模型结构较复杂、泛化性能差等。譬如在NN、 TS模型的参数辨识过程中，主要考虑如何最小化模型的预测输出与实际输出之间的偏差，其中2-范数的经验风险最小化准则[9-12]以及卡尔曼滤波的参数的估计方法[13-14]用得较多。如果仅从建模精度来看，经验风险最小化准则确实可以以任意的的精度逼近任意的非线性系统，但容易陷入局部最优，导致模型结构复杂[15]。……