發(fā)布時間：2020-07-30 02:19

【摘要】：非線性系統(tǒng)辨識問題一直是控制領域研究的熱點和難點。遞歸神經網絡因其特有的反饋特性更適用于非線性動態(tài)系統(tǒng)辨識。在遞歸神經網絡中,對角遞歸神經網絡(Diagonal Recurrent Neural Network, DRNN)可以更直接的反映系統(tǒng)的動態(tài)特性,簡單易實現,又有適應時變特性的能力。但是訓練DRNN網絡最常用的BP算法存在辨識精度不高且收斂速度慢等問題,不少學者提出了改進算法,并有了一定的研究成果。為了進一步的提高收斂速度以及辨識精度,本文采用改進的生物地理學優(yōu)化算法進行對角遞歸神經網絡非線性系統(tǒng)辨識研究。 本文引入生物地理學優(yōu)化算法(Biogeography-Based Optimization,BBO)訓練對角遞歸神經網絡初始權值。為了驗證生物地理學優(yōu)化算法用于訓練對角遞歸神經網絡的有效性,分別采用基于BP算法、遺傳算法(Genetic Algorithm,GA)、BBO算法的DRNN網絡進行非線性系統(tǒng)辨識。將各辨識結果進行比較得出：基于BBO算法的辨識誤差以及辨識精度均要好于BP算法以及GA算法,表明了基于BBO算法的DRNN網絡非線性系統(tǒng)辨識的有效性。 針對生物地理學優(yōu)化算法搜索能力弱、易出現早熟現象、易陷入局部最優(yōu)等缺點,采用差分進化算法(Differential Evolution Algorithm,DE)的差分變異算子與BBO算法的遷移算子相結合,得到混合BBO-DE算法優(yōu)化DRNN網絡初始權值。通過與BBO算法以及DE算法對比分析,表明基于BBO-DE算法的DRNN網絡非線性系統(tǒng)辨識是有效的。 為了進一步增強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(簡稱nDEBBO算法)。采用nDEBBO算法優(yōu)化DRNN網絡初始權值,為了表明基于nDEBBO算法的DRNN網絡非線性系統(tǒng)辨識的優(yōu)越性,將其與BBO-DE算法以及文獻20所提出的DE-Simplex算法進行對比分析。 最后,在訓練DRNN網絡過程中,為避免梯度大小對網絡權值改變的影響,采用RPROP算法與nDEBBO算法相結合得到R-nDEBBO算法,將該算法訓練DRNN網絡,并應用于非線性系統(tǒng)辨識。通過與：DEBBO算法對比分析,驗證其優(yōu)越性,而且RPROP算法的引入,縮短了訓練時間。
【學位授予單位】：西南交通大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：N945.14;TP183

【參考文獻】

相關期刊論文 前10條

1 段慧達,鄭德玲,劉聰;基于對角遞歸神經網絡的建模及應用[J];北京科技大學學報;2004年01期

2 張治國,楊毅恒,夏立顯;RPROP算法在測井巖性識別中的應用[J];吉林大學學報(地球科學版);2005年03期

3 李鴻儒,顧樹生,鄧長輝;遞歸神經網絡的RPE算法及其在非線性動態(tài)系統(tǒng)建模中的應用[J];東北大學學報;2000年06期

4 徐志鈕,律方成,趙麗娟;基于RPROP算法的變壓器油中溶解氣體分析故障診斷[J];電力科學與工程;2005年02期

5 馬海平;李雪;林升東;;生物地理學優(yōu)化算法的遷移率模型分析[J];東南大學學報(自然科學版);2009年S1期

6 張欣;;基于DRNN的傳感器的建模研究[J];電腦開發(fā)與應用;2008年10期

7 王智琳;李彥;劉金保;;基于GA的DRNN-PID算法在多電機系統(tǒng)中的應用[J];電子設計工程;2012年01期

8 李靜文;趙晉泉;張勇;;基于改進差分進化-生物地理學優(yōu)化算法的最優(yōu)潮流問題[J];電網技術;2012年09期

9 李翔碩;王淳;;基于生物地理學優(yōu)化算法的輸電網絡規(guī)劃[J];電網技術;2013年02期

10 王雪飛;;一種基于神經網絡的非線性時變系統(tǒng)仿真建模方法[J];計算機研究與發(fā)展;2006年07期

相關博士學位論文 前1條

1 韓旭明;若干改進的人工免疫算法及其在大氣環(huán)境領域中的應用[D];吉林大學;2010年

相關碩士學位論文 前1條

1 戴晟;基于DE算法的DRNN網絡非線性系統(tǒng)辨識研究[D];西南交通大學;2011年

本文編號：2774861