

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、系統辨識一直都是控制領域研究的熱點與難點。傳統的辨識方法在處理非線性系統辨識上存在很多的缺點,而人工神經網絡具有自適應能力、并行處理能力、自學習能力以及任意逼近非線性函數的特點,更適用于非線性系統的辨識。
幾十年前,BP神經網絡作為一種人工智能的技術,取得了令人矚目的成果。近年來也有很多研究學者將其應用于非線性系統辨識,由于BP網絡較強的函數逼近能力,所以將其應用于非線性系統辨識取得了良好的效果。然而,在BP網絡應用于非線性系
2、統辨識中,也存在著較多的缺點,如網絡容易陷入局部最優(yōu),無法收斂到給定的誤差;訓練時間長,而且迭代的次數多,所以收斂速度較慢;該算法的初始權值的選擇是盲目的,不具有全局特性等。以上這些缺點都嚴重影響了系統的辨識效果,所以需要采用某些方法對BP網絡進行優(yōu)化。
本文針對以上BP網絡存在的缺點,給出了一種基于DE-LM算法的BP網絡非線性系統辨識的方法。DE算法是一種基于種群的全局優(yōu)化算法,具有結構簡單、魯棒性強以及容易實現等特點。L
3、M算法是一種利用標準數值優(yōu)化技術的算法,它提供了高斯-牛頓法的速度與保證收斂的最速下降法之間的一個折衷,該算法可以解決局部極小值的問題,并且可以加快網絡的收斂速度。所以本文將DE算法與LM算法相結合用于BP網絡的非線性系統辨識仿真研究,其中DE算法用于求出網絡的初始權值和閾值,LM算法則用于訓練神經網絡至收斂。然后將DE-LM算法用于辨識非線性系統,并且與文獻[47]的辨識方法進行比較,仿真結果表明所給出DE-LM算法收斂速度快,辨識精
4、度高。
為了進一步提高網絡的辨識精度以及收斂速度,針對DE算法缺乏局部搜索能力,使網絡后期收斂速度減慢等缺點,論文將DE算法與BBO算法相結合,給出一種混合的差分演化算法,DEBBO算法。該算法既能利用DE算法中的變異算子對搜索的空間進行開采,從而增加算法找到全局最優(yōu)解的可能,又能結合BBO算法遷移算子的利用能力,對當前種群信息進行有效的利用,從而加快收斂速度。將DEBBO算法用于訓練BP網絡具有更快的速度以及更好的魯棒性,接
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于DE算法的DRNN網絡非線性系統辨識研究.pdf
- 基于改進BBO算法的DRNN網絡非線性系統辨識.pdf
- 基于小波網絡的非線性系統辨識.pdf
- Hammerstein非線性系統辨識算法研究.pdf
- 基于RPROP-DE算法的模糊RBF網絡非線性系統辨識.pdf
- 基于RPROP-SVR混合算法的DRNN網絡非線性系統辨識.pdf
- 基于遞歸神經網絡的非線性系統辨識研究.pdf
- 基于C-PSODE算法的模糊RBF神經網絡非線性系統辨識.pdf
- 基于智能計算的非線性系統辨識算法研究及其應用.pdf
- 基于改進人工蜂群算法的神經網絡非線性系統辨識研究.pdf
- 基于神經網絡的非線性系統辨識與控制研究.pdf
- 回聲狀態(tài)網絡的非線性系統自適應辨識.pdf
- 基于層遞式模糊神經網絡的非線性系統辨識.pdf
- 基于分段線性Hammerstein模型描述的非線性系統辨識.pdf
- 非均勻采樣數據非線性系統辨識算法研究.pdf
- 基于模糊聚類的非線性系統辨識研究.pdf
- 模塊化非線性系統的參數辨識算法研究.pdf
- 基于重尾分布布谷鳥算法的非線性系統辨識研究.pdf
- 小波網絡在非線性系統辨識中的應用
- 非線性系統模糊辨識方法的研究.pdf
評論
0/150
提交評論