基于RPROP-SVR混合算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識.pdf

1、非線性系統(tǒng)辨識是控制理論研究的難點(diǎn)和熱點(diǎn)。利用對角遞歸神經(jīng)網(wǎng)絡(luò)對復(fù)雜的非線性系統(tǒng)的模型進(jìn)行辨識時，可通過調(diào)整內(nèi)部神經(jīng)元的權(quán)值來實(shí)現(xiàn)非線性系統(tǒng)的動態(tài)映射，表現(xiàn)出了很強(qiáng)的動態(tài)映射能力，同時使得網(wǎng)絡(luò)權(quán)值調(diào)節(jié)的計(jì)算量很小。但是由于現(xiàn)有的用于訓(xùn)練對角遞歸神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法存在收斂速度慢、辨識精度不夠理想的缺點(diǎn)，因此本文針對這一問題進(jìn)行了探討和研究。 本文首先針對在對角遞歸神經(jīng)網(wǎng)絡(luò)中廣泛采用的DBP算法的辨識誤差較大且收斂速度慢的缺點(diǎn)，分別

2、采用了Lyapunov函數(shù)算法和遺傳算法作為改進(jìn)算法訓(xùn)練對角遞歸神經(jīng)網(wǎng)絡(luò)。并對DBP算法、Lyapunov函數(shù)算法及遺傳算法的辨識效果進(jìn)行了比較，仿真結(jié)果表明基于Lyapunov函數(shù)算法的辨識誤差和辨識精度都要優(yōu)于DBP算法和遺傳算法，其辨識誤差最小，且收斂速度最快。 其次，為了避免在Lyapunov函數(shù)算法中梯度大小對網(wǎng)絡(luò)權(quán)值改變的影響，本文首次將一種局部自適應(yīng)學(xué)習(xí)算法RPROP算法用于訓(xùn)練對角遞歸神經(jīng)網(wǎng)絡(luò)，該算法不受梯度大小

3、對權(quán)值調(diào)整的影響，而只是決定網(wǎng)絡(luò)權(quán)值的調(diào)整方向，該算法辨識精度高，能加速收斂，并在一定程度上克服了局部最小問題。 然后，針對神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)任要靠經(jīng)驗(yàn)選取的問題，本文提出將RPROP算法與支持向量回歸算法相結(jié)合的混合算法——RPROP-SVR算法，用于對角遞歸神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，其中利用SVR算法自動確定網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)，利用RPROP算法訓(xùn)練網(wǎng)絡(luò)權(quán)值，并將這一新算法用于非線性系統(tǒng)辨識，取得了很好的辨識效果。 最后，將基于R