基于改進(jìn)BBO算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí).pdf

1、非線性系統(tǒng)辨識(shí)問題一直是控制領(lǐng)域研究的熱點(diǎn)和難點(diǎn)。遞歸神經(jīng)網(wǎng)絡(luò)因其特有的反饋特性更適用于非線性動(dòng)態(tài)系統(tǒng)辨識(shí)。在遞歸神經(jīng)網(wǎng)絡(luò)中，對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)(Diagonal Recurrent Neural Network，DRNN)可以更直接的反映系統(tǒng)的動(dòng)態(tài)特性，簡(jiǎn)單易實(shí)現(xiàn)，又有適應(yīng)時(shí)變特性的能力。但是訓(xùn)練DRNN網(wǎng)絡(luò)最常用的BP算法存在辨識(shí)精度不高且收斂速度慢等問題，不少學(xué)者提出了改進(jìn)算法，并有了一定的研究成果。為了進(jìn)一步的提高收斂速度以及辨識(shí)

2、精度，本文采用改進(jìn)的生物地理學(xué)優(yōu)化算法進(jìn)行對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)研究。
　　 本文引入生物地理學(xué)優(yōu)化算法(Biogeography-Based Optimization，BBO)訓(xùn)練對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)初始權(quán)值。為了驗(yàn)證生物地理學(xué)優(yōu)化算法用于訓(xùn)練對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的有效性，分別采用基于BP算法、遺傳算法(Genetic Algorithm，GA)、BBO算法的DRNN網(wǎng)絡(luò)進(jìn)行非線性系統(tǒng)辨識(shí)。將各辨識(shí)結(jié)果進(jìn)行比較得出:基于BBO

3、算法的辨識(shí)誤差以及辨識(shí)精度均要好于BP算法以及GA算法，表明了基于BBO算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)的有效性。
　　 針對(duì)生物地理學(xué)優(yōu)化算法搜索能力弱、易出現(xiàn)早熟現(xiàn)象、易陷入局部最優(yōu)等缺點(diǎn)，采用差分進(jìn)化算法(Differential Evolution Algorithm，DE)的差分變異算子與BBO算法的遷移算子相結(jié)合，得到混合BBO-DE算法優(yōu)化DRNN網(wǎng)絡(luò)初始權(quán)值。通過與BBO算法以及DE算法對(duì)比分析，表明基于BBO-

4、DE算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)是有效的。
　　 為了進(jìn)一步增強(qiáng)BBO-DE算法的搜索能力，采用一種基于非均勻變異算子的BBO-DE算法（簡(jiǎn)稱nDEBBO算法）。采用nDEBBO算法優(yōu)化DRNN網(wǎng)絡(luò)初始權(quán)值，為了表明基于nDEBBO算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)的優(yōu)越性，將其與BBO-DE算法以及文獻(xiàn)20所提出的DE-Simplex算法進(jìn)行對(duì)比分析。
　　 最后，在訓(xùn)練DRNN網(wǎng)絡(luò)過程中，為避免梯度大小對(duì)網(wǎng)絡(luò)權(quán)值改