学位论文 > 优秀研究生学位论文题录展示
基于DE算法的DRNN网络非线性系统辨识研究
作 者: 戴晟
导 师: 张翠芳
学 校: 西南交通大学
专 业: 控制理论与控制工程
关键词: 非线性系统辨识 对角递归神经网络 差分进化 单纯形法
分类号: N945.14
类 型: 硕士论文
年 份: 2011年
下 载: 40次
引 用: 1次
阅 读: 论文下载
内容摘要
系统辨识是控制领域研究的一个重要内容,而非线性系统的辨识更是其中的难点和热点。人工神经网络的提出,为复杂的非线性系统的辨识开辟了新的路径。常见的神经网有很多,其中以BP网络最为熟知,但作为一种多层前向静态网络,BP网络自身存在很多缺陷。对角递归神经网络(DRNN)是一种具有反馈环节的动态网络,它通过储存内部状态使其具备映射动态特征的功能,更适合于非线性动态系统的辨识。学习算法是系统辨识研究的核心问题,传统的BP算法,即梯度下降法,已经无法满足对辨识精度和收敛速度的要求。为此,人们也进行了各种算法的改进与研究,并取得了一定的成果。为了进一步提高辨识精度和收敛速度,本文采用DRNN网络和差分进化(DE)算法进行了非线性系统辨识的研究。本文首先对神经网络系统辨识、差分进化的国内外研究现状进行了综述和分析,指出了本课题需要解决的问题,同时给出了研究思路及研究意义。介绍了DRNN神经网络的基本模型和辨识原理,并以DRNN为训练网络,分别采用基本BP算法、改进BP算法和遗传算法(GA)作为系统辨识的学习算法,对两个典型的非线性系统进行系统辨识,通过Matlab仿真实验比较了三种算法的性能指标,结果表明,GA算法的辨识结果要明显优于另外两种算法。其次,为了进一步提高辨识精度将新的学习算法——DE算法引入DRNN神经网络的学习,并分别对DE算法的三种不同的策略进行了分析比较,结合三种策略各自的优点,提出了混合策略的DE算法,经过Benchmark函数测试,验证了混合策略DE算法的有效性,将其应用于非线性系统的辨识,辨识精度和收敛速度要优于GA算法。最后,针对DE这种全局搜索算法的缺陷,引入了Memetic技术的思想,加入了Simplex局部搜索策略,得到改进的DE算法——DE-Simplex算法,将它的Benchmark函数测试结果与DE算法的进行了比较,发现DE-Simplex算法的测试结果有明显提高,验证了DE-Simplex算法有效性。接着进行了基于DE-Simplex算法的非线性系统辨识仿真研究,通过几种算法仿真实验结果的对比,表明所提出的DE-Simplex算法的辨识精度和收敛速度都得到了进一步的提高。
|
全文目录
摘要 6-7 Abstract 7-9 缩略语表 9-12 第1章 绪论 12-18 1.1 引言 12 1.2 课题的提出及研究意义 12-13 1.3 神经网络系统辨识研究现状 13-15 1.3.1 系统辨识研究现状 13-14 1.3.2 神经网络研究现状 14-15 1.4 差分进化研究现状 15-16 1.5 论文主要工作 16-17 1.6 论文结构安排 17-18 第2章 对角递归神经网络辨识 18-29 2.1 引言 18 2.2 DRNN网络辨识 18-20 2.2.1 DRNN网络基本模型 18-19 2.2.2 DRNN网络辨识 19-20 2.3 BP算法 20-21 2.4 改进BP算法 21-23 2.4.1 加入动量项 22 2.4.2 学习速率自适应调整法 22-23 2.5 GA算法 23-24 2.6 三种算法性能比较 24-28 2.7 小结 28-29 第3章 基于DE算法的DRNN非线性系统辨识 29-43 3.1 引言 29 3.2 DE算法 29-35 3.2.1 DE算法基本操作 29-31 3.2.2 DE变异策略对比 31-35 3.3 混合策略的DE算法 35-37 3.4 基于DE算法的DRNN非线性系统辨识 37-42 3.5 小结 42-43 第4章 基于改进DE算法的DRNN非线性系统辨识 43-59 4.1 引言 43 4.2 改进DE算法 43-47 4.2.1 Memetic技术 43-44 4.2.2 Simplex Method局部搜索 44-46 4.2.3 DE-Simplex算法实现 46-47 4.3 Matlab仿真实验 47-58 4.3.1 DE-Simplex算法函数测试 48-53 4.3.2 基于DE-Simplex算法的DRNN非线性系统辨识 53-58 4.4 小结 58-59 结论 59-61 致谢 61-62 参考文献 62-65 攻读硕士学位期间发表的论文 65
|
相似论文
- 基于差分进化算法的JSP环境下成套订单研究,F273
- K-均值聚类算法的研究与改进,TP311.13
- 极端气象灾害下考虑不确定断线故障的电力系统随机优化调度,TM73
- K-means聚类优化算法的研究,TP311.13
- 面向混合流水线的任务智能调度系统的研究与实现,TH186
- 参数协进化的改进和声搜索算法及其应用,TP391.3
- 布局模式和对立协同差分进化算法及应用,TP301.6
- 人工萤火虫群优化算法改进及应用研究,TP18
- 非线性二层规划的平衡点算法研究,O221.2
- 基于神经网络建模的聚丙烯牌号切换非线性预测控制,TQ325.14
- 基于自然计算求解作业车间调度问题,TP18
- 解多目标优化问题的改进差分进化算法研究,TP301.6
- 多智能体差分进化算法及其在发酵过程优化中的应用,TP18
- BOPP造粒机的电气控制系统,TQ320.5
- 基于BP神经网络广义预测控制在气体压缩过程中的应用研究,TP273
- 基于智能方法的预测控制研究,TP18
- 基于差分进化算法的GVF Snake模型的PET医学图像分割,TP391.41
- 基于RPROP-DE算法的模糊RBF网络非线性系统辨识,N945.14
- 基于性能评估的炼焦生产过程优化运行闭环控制系统设计,TP273
- 时频原子分解方法在牵引供电系统谐波检测中的应用,TM922.3
中图分类: > 自然科学总论 > 系统科学 > 系统工程 > 系统分析 > 系统辨识
© 2012 www.xueweilunwen.com
|