李峰 李诚豪

摘    要：针对噪声干扰下的Hammerstein非线性动态系统，提出一种基于神经网络的Hammerstein OE（Hammerstein Output Error）非线性系统参数估计方法。在该系统中，利用BP神经网络和自回归模型分别建立静态非线性模块和动态线性模块，并提出两阶段参数估计方法：第一阶段，利用辅助模型递推最小二乘方法估计动态线性模块的参数，解决了系统中间变量不可测问题;第二阶段，为了改善参数学习收敛率，利用含有动量项的随机梯度下降方法估计BP神经网络的权值。仿真结果表明，提出的方法能够有效估计Hammerstein OE非线性系统参数。

关键词：Hammerstein非线性系统;BP神经网络;辅助模型;参数估计

中图分类号：TP273                文献标识码：A               文章编号：2095-7394（2021）04-0025-07

在非线性系统辨识和自动控制领域，块结构模型是当前的研究热点。按串联模块的连接形式，块结构模型可分为：Hammerstein系统、Wiener系统、Hammerstein-Wiener系统和Wiener-Hammerstein系统。在这些系统中，Hammerstein非线性系统由静态非线性模块和动态线性模块串联而成，是一类典型的非线性系统。研究表明，该系统能够有效地描述大多数非线性特性，适合作为过程模型使用[1-9]，因此，得到了广泛认可和关注。近年来，国内外学者提出了多种Hammerstein非线性系统的辨识方法，主要包括：子空间方法[10-11] 、过参数化方法[12-13]、迭代方法[14-15]、盲辨识方法[16]以及多信号源方法[17-18]等。

在非线性系统的建模研究领域中，神经网络模型能够较好地反映对象的动态特性和复杂的非线性映射关系，具有较强的自学习能力和非线性处理能力;因此，近年来，神经网络模型已成功应用于Hammerstein非线性系统的建模和辨识研究中。……