氧乐果合成过程是典型的间歇生产过程,其反应釜温度对象具有非线性、时滞性、和不确定性等特点,用常规的方法对其进行建模比较困难。近年来,以神经网络、模糊逻辑和遗传算法等为代表的智能理论方法及其综合集成,为解决具有上述特性的复杂对象建模提供了有效的途径。本文借鉴神经网络的自学习和适应能力、模糊逻辑集成专家知识的能力,遗传算法的优化特性,对复杂非线性系统的建模,作了如下几方面的工作:综述了系统辨识的研究现状,分析了各种辨识方法的特点及应用范围。论述了智能辨识方法在复杂非线性对象建模中的作用及应用前景。本文首先利用基本BP网络对氧乐果合成过程的反应釜温度对象进行辨识,仿真结果表明反应初始阶段的误差比较大,分析原因可能是因为神经网络易陷入局部极小点,所以结合遗传算法具有全局搜索性的特点,应用遗传算法对网络权值进行了优化,并与基本BP网络的辨识结果进行了对比,发现虽然在温度稳定阶段的拟合度更好,但是对于反应初始阶段的大误差并没有取得较好的效果;而在其他文献的研究中,证明在训练采用的样本结构及容量相同的情况下,模糊神经网络的性能较传统的BP网络有明显的提高,主要表现在平均误差下降,最大误差减小,训练时间缩短。因此,接下来利用传统的模糊神经网络对系统进行了辨识,取得了不错的效果。但是初始阶段的大误差仍然没有较大的改善。之所以会出现上述情况,是因为氧乐果间歇生产过程的反应釜温度对象,反映的是系统的动态行为,而传统的神经网络和模糊神经网络是一种静态神经网络,仅仅利用静态网络辨识,并不能够完全反应系统的特性。所以,本文在基本BP网络和传统模糊神经网络的基础上,加入一阶延时环节,构成了带偏差单元的动态递归BP神经网络,和动态递归模糊神经网络。并利用这两种动态网络对反应釜温度对象进行辨识。仿真结果表明,动态递归神经网络由于充分利用动态系统的当前数据和历史数据,从而获得了比静态神经网络更高的辨识精度,泛化能力较好。