基于DE算法的DRNN網絡非線性系統(tǒng)辨識研究.pdf

1、系統(tǒng)辨識是控制領域研究的一個重要內容,而非線性系統(tǒng)的辨識更是其中的難點和熱點。人工神經網絡的提出,為復雜的非線性系統(tǒng)的辨識開辟了新的路徑。常見的神經網有很多,其中以BP網絡最為熟知,但作為一種多層前向靜態(tài)網絡,BP網絡自身存在很多缺陷。對角遞歸神經網絡(DRNN)是一種具有反饋環(huán)節(jié)的動態(tài)網絡,它通過儲存內部狀態(tài)使其具備映射動態(tài)特征的功能,更適合于非線性動態(tài)系統(tǒng)的辨識。學習算法是系統(tǒng)辨識研究的核心問題,傳統(tǒng)的BP算法,即梯度下降法,已經無

2、法滿足對辨識精度和收斂速度的要求。為此,人們也進行了各種算法的改進與研究,并取得了一定的成果。為了進一步提高辨識精度和收斂速度,本文采用DRNN網絡和差分進化(DE)算法進行了非線性系統(tǒng)辨識的研究。
　　 本文首先對神經網絡系統(tǒng)辨識、差分進化的國內外研究現狀進行了綜述和分析,指出了本課題需要解決的問題,同時給出了研究思路及研究意義。介紹了DRNN神經網絡的基本模型和辨識原理,并以DRNN為訓練網絡,分別采用基本BP算法、改進BP

3、算法和遺傳算法(GA)作為系統(tǒng)辨識的學習算法,對兩個典型的非線性系統(tǒng)進行系統(tǒng)辨識,通過Matlab仿真實驗比較了三種算法的性能指標,結果表明,GA算法的辨識結果要明顯優(yōu)于另外兩種算法。
　　 其次,為了進一步提高辨識精度將新的學習算法——DE算法引入DRNN神經網絡的學習,并分別對DE算法的三種不同的策略進行了分析比較,結合三種策略各自的優(yōu)點,提出了混合策略的DE算法,經過Benchmark函數測試,驗證了混合策略DE算法的有效

4、性,將其應用于非線性系統(tǒng)的辨識,辨識精度和收斂速度要優(yōu)于GA算法。
　　 最后,針對DE這種全局搜索算法的缺陷,引入了Memetic技術的思想,加入了Simplex局部搜索策略,得到改進的DE算法——DE-Simplex算法,將它的Benchmark函數測試結果與DE算法的進行了比較,發(fā)現DE-Simplex算法的測試結果有明顯提高,驗證了DE-Simplex算法有效性。接著進行了基于DE-Simplex算法的非線性系統(tǒng)辨識仿真