基于L_GL_(1/2)稀疏优化与交替辨识的非线性系统智能建模方法OA

针对复杂非线性系统建模中神经网络结构冗余、辨识精度不足及模型选择依赖经验等问题,文章提出一种基于下界光滑组L_(1/2)正则化与交替辨识的智能建模方法。构建遗忘因子递推最小二乘与极限学习机组成的交替辨识框架,将非线性系统分解为线性主部与非线性动态余项;引入L_GL_(1/2)正则化对极限学习机进行稀疏修剪;提出自适应模型组合策略动态选择最优单项模型。在电力负荷数据集上的实验表明,所提方法决定系数R^(2)达0.9942,平均绝对误差96.51,较对比方法降低32%~88%;消融实验验证各模块均有效贡献。随机非线性系统仿真中,方法经3次迭代即收敛至10^(-13)量级。该方法为一类非线性离散系统提供了高效建模途径。