基于DE算法的DRNN網(wǎng)絡(luò)非線(xiàn)性系統(tǒng)辨識(shí)研究.pdf

1、系統(tǒng)辨識(shí)是控制領(lǐng)域研究的一個(gè)重要內(nèi)容,而非線(xiàn)性系統(tǒng)的辨識(shí)更是其中的難點(diǎn)和熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)的提出,為復(fù)雜的非線(xiàn)性系統(tǒng)的辨識(shí)開(kāi)辟了新的路徑。常見(jiàn)的神經(jīng)網(wǎng)有很多,其中以BP網(wǎng)絡(luò)最為熟知,但作為一種多層前向靜態(tài)網(wǎng)絡(luò),BP網(wǎng)絡(luò)自身存在很多缺陷。對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)(DRNN)是一種具有反饋環(huán)節(jié)的動(dòng)態(tài)網(wǎng)絡(luò),它通過(guò)儲(chǔ)存內(nèi)部狀態(tài)使其具備映射動(dòng)態(tài)特征的功能,更適合于非線(xiàn)性動(dòng)態(tài)系統(tǒng)的辨識(shí)。學(xué)習(xí)算法是系統(tǒng)辨識(shí)研究的核心問(wèn)題,傳統(tǒng)的BP算法,即梯度下降法,已經(jīng)無(wú)

2、法滿(mǎn)足對(duì)辨識(shí)精度和收斂速度的要求。為此,人們也進(jìn)行了各種算法的改進(jìn)與研究,并取得了一定的成果。為了進(jìn)一步提高辨識(shí)精度和收斂速度,本文采用DRNN網(wǎng)絡(luò)和差分進(jìn)化(DE)算法進(jìn)行了非線(xiàn)性系統(tǒng)辨識(shí)的研究。
　　 本文首先對(duì)神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)、差分進(jìn)化的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了綜述和分析,指出了本課題需要解決的問(wèn)題,同時(shí)給出了研究思路及研究意義。介紹了DRNN神經(jīng)網(wǎng)絡(luò)的基本模型和辨識(shí)原理,并以DRNN為訓(xùn)練網(wǎng)絡(luò),分別采用基本BP算法、改進(jìn)BP

3、算法和遺傳算法(GA)作為系統(tǒng)辨識(shí)的學(xué)習(xí)算法,對(duì)兩個(gè)典型的非線(xiàn)性系統(tǒng)進(jìn)行系統(tǒng)辨識(shí),通過(guò)Matlab仿真實(shí)驗(yàn)比較了三種算法的性能指標(biāo),結(jié)果表明,GA算法的辨識(shí)結(jié)果要明顯優(yōu)于另外兩種算法。
　　 其次,為了進(jìn)一步提高辨識(shí)精度將新的學(xué)習(xí)算法——DE算法引入DRNN神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí),并分別對(duì)DE算法的三種不同的策略進(jìn)行了分析比較,結(jié)合三種策略各自的優(yōu)點(diǎn),提出了混合策略的DE算法,經(jīng)過(guò)Benchmark函數(shù)測(cè)試,驗(yàn)證了混合策略DE算法的有效

4、性,將其應(yīng)用于非線(xiàn)性系統(tǒng)的辨識(shí),辨識(shí)精度和收斂速度要優(yōu)于GA算法。
　　 最后,針對(duì)DE這種全局搜索算法的缺陷,引入了Memetic技術(shù)的思想,加入了Simplex局部搜索策略,得到改進(jìn)的DE算法——DE-Simplex算法,將它的Benchmark函數(shù)測(cè)試結(jié)果與DE算法的進(jìn)行了比較,發(fā)現(xiàn)DE-Simplex算法的測(cè)試結(jié)果有明顯提高,驗(yàn)證了DE-Simplex算法有效性。接著進(jìn)行了基于DE-Simplex算法的非線(xiàn)性系統(tǒng)辨識(shí)仿真