基于重尾分布布谷鳥算法的非線性系統(tǒng)辨識研究.pdf

1、本文在詳細分析了布谷鳥算法(CS)的特點之后，根據(jù)相關(guān)應(yīng)用背景，對布谷鳥算法(CS)進行了一系列改進。仿真實驗證實了改進布谷鳥算法(CS)的有效性，并將改進算法應(yīng)用于非線性Hammerstein模型辨識。具體內(nèi)容如下:
　　(1)首先詳細介紹了近十年來發(fā)展迅速的布谷鳥算法(CS)，布谷鳥算法(CS)是一種新型群智能尋優(yōu)算法。通過詳細分析布谷鳥算法(CS)的工作原理，了解到布谷鳥算法(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)辨識需求提出了兩種改進的布谷鳥算法TTCS和GMDA，并將其作為相應(yīng)系統(tǒng)辨識參數(shù)尋優(yōu)的強有力的工具。
　　(2)針對于單輸入單輸出的非線性Hammerstein模型進行研究。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。針對這類問題，本文嘗試利用模塊化非線性系統(tǒng)辨識方法，提出利用函數(shù)連接型神經(jīng)網(wǎng)絡(luò)(FLANN)來近似Hammerst

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

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