基于人工神经网络的系统辩识（MATLAB源码分享） 该示例文件显示了使用高斯白噪声下2DOF系统的人工神经网络（ANN）进行系统辩识。 神经网络由输入层，输出层，隐藏层组成： -输入层：2个节点使用当前步骤的力，2个节点使用开环反馈前一步骤的位移 -隐藏层：2个节点用于两个内部状态，因为2DOF系统具有2种模式 -输出层：用于位移的2个节点 在训练并获得预测输出后，将网络转换为闭环网络并再次训练（闭环网络使用前一步的预测反馈而不是实际反馈）。 将开环和闭环网络的预测输出与图中的实际输出进行了比较。 结果表明，由于前一步的实际输出可用，开环网络比闭环网络更准确。

在工程领域，系统辨识是一项极为重要的任务，今天咱们来聊聊基于人工神经网络（ANN）的系统辨识，还会分享MATLAB源码哦。这次的示例是基于高斯白噪声下的2DOF系统，通过ANN实现系统辨识。

神经网络结构剖析

神经网络主要由输入层、输出层和隐藏层构成。

输入层

咱们这个例子里，输入层有4个节点。其中2个节点用于获取当前步骤的力，另外2个节点则负责采集开环反馈前一步骤的位移。这就像是给神经网络装上了“传感器”，让它能感知系统当前的力的情况以及前一步位移状态。在MATLAB里，我们可以这样来简单定义输入数据：

% 假设已经获取到力和位移数据
force_current = [force1_current, force2_current]; % 当前步骤的力
displacement_previous = [disp1_previous, disp2_previous]; % 前一步骤的位移
input_data = [force_current, displacement_previous]; % 组合成输入数据

这里我们只是简单示意如何构建输入数据，实际应用中数据的获取和处理可能更复杂。

隐藏层

隐藏层有2个节点，这是因为2DOF系统具有2种模式，每个节点就像是一个小的“信息加工厂”，对输入的数据进行初步加工处理。

输出层

输出层有2个节点，专门用于输出位移数据。

训练过程

首先，对神经网络进行训练得到预测输出。之后呢，将这个网络转换为闭环网络并再次训练。这里的闭环网络和开环网络的区别就在于，闭环网络使用前一步的预测反馈而不是实际反馈。

在MATLAB中，训练神经网络可以利用Neural Network Toolbox。比如这样简单的训练代码框架：

% 创建一个简单的神经网络
net = feedforwardnet([2]); % 2个隐藏层节点
% 设置训练参数
net.trainParam.epochs = 100;
net.trainParam.goal = 0.01;
% 准备训练数据，这里假设input_data和target_displacement已经准备好
[net,tr] = train(net,input_data,target_displacement);
% 进行预测
predicted_displacement = net(input_data);

这段代码创建了一个前馈神经网络，设置了训练的轮数和目标误差，然后用准备好的数据进行训练并预测。

结果对比与分析

最后，将开环和闭环网络的预测输出与实际输出放在图中进行比较。结果发现，开环网络比闭环网络更准确。这是因为开环网络在前一步能获取到实际输出，就好比它“眼睛更亮”，能更准确地做出下一步预测。而闭环网络只能依赖前一步自己预测的反馈，就多了些“不确定性”，导致准确性稍逊一筹。

通过这样的系统辨识过程以及MATLAB代码实现，我们可以更深入地理解人工神经网络在系统辨识中的应用，也希望分享的这些能帮助大家在相关项目中少走些弯路。完整的项目代码需要根据实际的数据获取、数据预处理等进一步完善，这里只是提供一个核心思路和框架。