神经网络模型经线性化后可构建神经预测控制框架,但是,对高阶项的忽略会产生大量未建模动态.本文以回声状态网络(Echo State Network,ESN)为代表,提出基于岭回归的未建模动态补偿方法.以线性化前后ESN内部状态观测的偏差作为表征未建模...神经网络模型经线性化后可构建神经预测控制框架,但是,对高阶项的忽略会产生大量未建模动态.本文以回声状态网络(Echo State Network,ESN)为代表,提出基于岭回归的未建模动态补偿方法.以线性化前后ESN内部状态观测的偏差作为表征未建模动态的样本,通过岭回归估计未建模动态与ESN状态变量之间的线性依存关系.将回归得到的补偿项内化为ESN储备池吸引子的平移和旋转,体现了吸引子的吸引力对激活函数边界约束作用的有效补充.两个实例验证了补偿方法对提高控制精度具有积极作用.展开更多
文摘神经网络模型经线性化后可构建神经预测控制框架,但是,对高阶项的忽略会产生大量未建模动态.本文以回声状态网络(Echo State Network,ESN)为代表,提出基于岭回归的未建模动态补偿方法.以线性化前后ESN内部状态观测的偏差作为表征未建模动态的样本,通过岭回归估计未建模动态与ESN状态变量之间的线性依存关系.将回归得到的补偿项内化为ESN储备池吸引子的平移和旋转,体现了吸引子的吸引力对激活函数边界约束作用的有效补充.两个实例验证了补偿方法对提高控制精度具有积极作用.
