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

1、系統(tǒng)辨識是控制領(lǐng)域研究的一個重要內(nèi)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(jīng)網(wǎng)絡(luò)的提出,為復(fù)雜的非線性系統(tǒng)的辨識開辟了新的路徑。常見的神經(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。對角遞歸神經(jīng)網(wǎng)絡(luò)(DRNN)是一種具有反饋環(huán)節(jié)的動態(tài)網(wǎng)絡(luò),它通過儲存內(nèi)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(xué)習(xí)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(jīng)無

2、法滿足對辨識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)行了非線性系統(tǒng)辨識的研究。
　　 本文首先對神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識、差分進(jìn)化的國內(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題,同時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)辨識的學(xué)習(xí)算法,對兩個典型的非線性系統(tǒng)進(jìn)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(biāo),結(jié)果表明,GA算法的辨識結(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,提出了混合策略的DE算法,經(jīng)過Benchmark函數(shù)測試,驗證了混合策略DE算法的有效

4、性,將其應(yīng)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(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算法的測試結(jié)果有明顯提高,驗證了DE-Simplex算法有效性。接著進(jìn)行了基于DE-Simplex算法的非線性系統(tǒng)辨識仿真