基于重尾分布布谷鳥(niǎo)算法的非線性系統(tǒng)辨識(shí)研究.pdf

1、本文在詳細(xì)分析了布谷鳥(niǎo)算法(CS)的特點(diǎn)之后，根據(jù)相關(guān)應(yīng)用背景，對(duì)布谷鳥(niǎo)算法(CS)進(jìn)行了一系列改進(jìn)。仿真實(shí)驗(yàn)證實(shí)了改進(jìn)布谷鳥(niǎo)算法(CS)的有效性，并將改進(jìn)算法應(yīng)用于非線性Hammerstein模型辨識(shí)。具體內(nèi)容如下:
　　(1)首先詳細(xì)介紹了近十年來(lái)發(fā)展迅速的布谷鳥(niǎo)算法(CS)，布谷鳥(niǎo)算法(CS)是一種新型群智能尋優(yōu)算法。通過(guò)詳細(xì)分析布谷鳥(niǎo)算法(CS)的工作原理，了解到布谷鳥(niǎo)算法(CS)作為一種群智能尋優(yōu)算法，產(chǎn)生新解的方式是l

2、evy飛行。本文依據(jù)不同的系統(tǒng)辨識(shí)需求提出了兩種改進(jìn)的布谷鳥(niǎo)算法TTCS和GMDA，并將其作為相應(yīng)系統(tǒng)辨識(shí)參數(shù)尋優(yōu)的強(qiáng)有力的工具。
　　(2)針對(duì)于單輸入單輸出的非線性Hammerstein模型進(jìn)行研究。以往大多數(shù)非線性Hammerstein模型的研究多數(shù)為基于解析方法，研究難度大，尤其非線性部分本身很難提煉出解析解。針對(duì)這類問(wèn)題，本文嘗試?yán)媚K化非線性系統(tǒng)辨識(shí)方法，提出利用函數(shù)連接型神經(jīng)網(wǎng)絡(luò)(FLANN)來(lái)近似Hammerst

3、ein模型的非線性部分。相應(yīng)的，為了對(duì)上述提出的模塊化模型參數(shù)進(jìn)行辨識(shí)，本文提出利用一種典型重尾分布學(xué)生t分布以及由學(xué)生t分布產(chǎn)生的在區(qū)間(0，1)之間的序列來(lái)對(duì)布谷鳥(niǎo)算法進(jìn)行改進(jìn)。文章第三章的仿真實(shí)例證實(shí)了改進(jìn)算法(TTCS)在處理單輸入單輸出Hammerstein模型參數(shù)辨識(shí)時(shí)的有效性。
　　(3)針對(duì)重尾噪聲影響下多輸入多輸出系統(tǒng)Hammerstein模型的辨識(shí)問(wèn)題進(jìn)行研究。以往系統(tǒng)辨識(shí)問(wèn)題多數(shù)是在白噪聲及基于白噪聲的有色噪

4、聲假設(shè)下進(jìn)行研究。近年來(lái)研究發(fā)現(xiàn)在一些復(fù)雜工業(yè)問(wèn)題中，將噪聲假設(shè)為高斯噪聲類，相對(duì)來(lái)說(shuō)顯得有些過(guò)于保守了。不少的研究發(fā)現(xiàn)，一些系統(tǒng)中有離群點(diǎn)的出現(xiàn)。然而針對(duì)于此類非高斯噪聲影響下的非線性系統(tǒng)辨識(shí)尚沒(méi)有比較統(tǒng)一的解析方法。本文嘗試采取模塊化系統(tǒng)辨識(shí)方法，利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)，將此類辨識(shí)問(wèn)題轉(zhuǎn)化為一種參數(shù)優(yōu)化問(wèn)題。利用本文提出的一種改進(jìn)的布谷鳥(niǎo)算法(GMDA)來(lái)解決上述優(yōu)化問(wèn)題。文中第四章的仿真實(shí)例證實(shí)了GMDA在解決此類問(wèn)題時(shí)