1．3  系统辨识理论综述

系统辨识问题提出是由于随着科学技术的发展，各门学科的研究方法进一步趋向定量化，人们在生产实践和科学实验中，对所研究的复杂对象通常观测和计算来定量地判明其内在规律，为此必须建立所研究对象的数学模型，从而进行分析、设计、预测、控制的决策[20]。例如，在化工过程中，要求确定其化学动力学和有关参数，以决定工程的反应速度；为了控制环境污染，希望得到大气污染扩散模型和水质模型[19]；为了进行人口预报，做出对应的决策，要求建立人口增长的动态模型；对产品需求量、新兴工业的增长规律这类经济系统，已经建立并继续要求建立其定量的描述模型。其他如结构或机械的振动、地质分析、气象预报等等，都涉及系统辨识和系统参数估计，这类要求正在不断扩大。

根据对系统的组成、结构和支配系统运动机理的了解程度，可以将建模方法

分为如下3类[11]：

（1） 机理建模——“白箱问题”

（2） 系统辨识（实验建模）——“黑箱问题”

（3） 机理分析和系统辨识相结合的建模方法——“灰箱问题”

1.4 神经网络系统辨识综述

    目前，国内外有许多利用神经网络来模拟设备性能、预测负荷的成功例子。1993年，美国的Mistry和Nair成功开发了一个用来决定预期平均满意率(PMV)和温湿度参数的神经网络模型。1994 年，Curtiss利用神经网络模型成功地模拟了一台往复压缩式的冷水机组和其它暖通空调设备的性能[22]。随后，Darred和Curtiss利用神经网络模型成功地预测了冷水机组的冷负荷和耗电量[11]。在国内，也有利用神经网络对暖通空调优化控制、对空调器进行仿真研究的成功例子。论文网

    神经网络之所以能够在国内外得到如此广泛的应用是因为：a)神经网络具有模拟高度非线性系统的优点；b)神经网络具有较强的学习能力、容错能力和联想能力；c)神经网络具有较强的自适应能力。例如可通过重新训练网络进行设备特性的动态校准功能，这也是它优于其它控制方法的主要特点。此外，神经网络模型还具有建模时间短、易于进行计算机模拟的优点。对于智能建筑，其热动力学参数模型本质上为分布参数系统，应用系统辨识也很难获得其精确的数学模型，控制效果可想而知，而人工神经网络允许在模型理论不完善的情况下，构成一种具有自学习、自适应的体系结构[28]，在与外界信息的交互作用中，形成一种非线性映射或线性动力学系统，以正确反映输入和输出关系而不必预先知道这种关系的

精确数学模型。

1.4.1 神经网络在线性系统辨识中的应用

    自适应线性(Adaline-MadaLine)神经网络作为神经网络的初期模型与感知机模型相对应，是以连续线性模拟量为输入模式，在拓扑结构上与感知机网络十分相似的一种连续时间型线性神经网络.这种网络模型是美国学者Widrow和Hoff于1960 年提出的，简称Adaline网络[13]，它主要用于自适应系统等连续可调过程，还可以用于天气预报、语言识别、心电图诊断、图像分析等领域。由于该网络能逼近任意连续的线性函数，因此该网络可用于线性系统辨识，具体的方法是：将连续输入信号的采样值经不同延时后，作为网络的输入模式，被辨识系统数据量的采样值作为网络的希望输出模式。Adaline网络的各连接权实际上就是被测系统微分方程中各阶导数的系数。随着网络学习过程的进行，这些系数逐渐逼近系统的真实值，直至得到系统的数学模型。除此网络之外，还有其它神经网络可以通近任意的线性和非线性系统。其中以Hopfield网络(HNN)为代表的反馈型神经网络在联想记忆或分类、优化计算、人工智能等领域得到了广泛的研究与应用。由于HNN可以通过VLS等硬件物理实现[13]，这有利于充分发挥神经网络固有的信息并行处理能力。这种潜在的应用前景引起了控制界的极大兴趣，为神经网络在系统辨识方面研究工作的开展提供了动力。可以说，线性系统辨识的理论和方法已经比较成熟和完善[14]。