改进的几乎正交神经网络用于非线性系统识别，并应用于防抱死制动系统 Stani?a Peri?, Dragan Anti?, Jianxun Cui, Sa?a S. Nikoli?, Marko Milojkovi? 和 Nikola Dankovi?

《Applied Sciences》：Improved Almost-Orthogonal Neural Network for Nonlinear System Identification with Application to Anti-Lock Braking Systems Stani?a Peri?, Dragan Anti?, Jianxun Cui, Sa?a S. Nikoli?, Marko Milojkovi? and Nikola Dankovi?

　　

摘要

对非线性动态系统的精确建模仍然是控制工程中的一个基本挑战，尤其是在具有强非线性、不确定性和变化操作条件的应用中，例如防抱死制动系统（ABS）。尽管神经网络被广泛用于非线性系统识别，但它们的性能往往受到相关输入特征、较差的数值稳定性和对计算要求高的非线性优化的依赖的限制。本文提出了一种新的神经网络建模框架，该框架将改进的近乎正交的功能输入变换与参数线性结构相结合。所提出的方法系统地构建了一个非线性特征空间，在该空间中，基函数之间的相关性通过基于扰动的近似正交机制得到明确控制，从而改善了回归矩阵的稳定性，并实现了基于最小二乘的参数估计。该方法适用于一般类别的非线性离散时间系统，并在Inteco ABS实验室设置中进行了实验验证，其中通过测量车轮速度和制动扭矩来识别车轮打滑动态。实验结果表明，与传统多层感知器和基于多项式的模型相比，该方法的建模精度更高，对测量噪声、非高斯干扰和参数漂移的鲁棒性更强，计算复杂性更低。这些发现表明，结构化特征生成可以提高数据驱动模型的可靠性，并表明所提出的框架在复杂动态系统的实时和控制导向应用中的潜在适用性。