非線性系統(tǒng)辨識一直是信號處理和控制理論的研究熱點和難點。模糊RBF （Radial Basis Function, RBF）神經(jīng)網(wǎng)絡(luò)結(jié)合了RBF神經(jīng)網(wǎng)絡(luò)和模糊推理的優(yōu)點,具有強大的數(shù)據(jù)處理能力和非線性映射能力。但是梯度下降算法存在著收斂速度慢、易陷入局部最優(yōu)等問題。結(jié)合幾種智能進化算法,尋求辨識效果更好的訓(xùn)練算法是本文的主要研究內(nèi)容。針對梯度下降算法存在的問題,采用幾種智能進化算法對模糊RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。為了對比不同智能進化算法辨識效果的優(yōu)劣,本文分別將遺傳算法（Genetic Algorithm, GA）、差分進化算法（Differential Evolution, DE）和粒子群算法（Particle Swarm Optimization, PSO）用于模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識。仿真結(jié)果表明,三種算法中,粒子群算法具有較優(yōu)的辨識效果,其次為差分進化算法。為了克服差分進化算法搜索停滯等缺陷,采用一種基于Memetic算法思想的改進差分進化算法（Chaotic Differential Evolution, C-DE）對模糊RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,該算法利用混沌局部搜索和... 

【文章來源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識的研究現(xiàn)狀及意義
    1.2 幾種智能進化算法的研究現(xiàn)狀
        1.2.1 差分進化算法(Differential Evolution,DE)
        1.2.2 粒子群算法(Particle Swarm Optimization,PSO)
    1.3 本文的主要內(nèi)容
第2章 基于幾種智能進化算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識
    2.1 模糊RBF神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)
    2.2 模糊RBF神經(jīng)網(wǎng)絡(luò)辨識原理
    2.3 基于遺傳算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識
        2.3.1 遺傳算法的原理
        2.3.2 遺傳算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實現(xiàn)步驟
        2.3.3 基于遺傳算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識仿真
    2.4 基于差分進化算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識
        2.4.1 差分進化算法的原理
        2.4.2 差分進化算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實現(xiàn)步驟
        2.4.3 基于差分進化算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識仿真
    2.5 基于粒子群算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識
        2.5.1 粒子群算法的原理
        2.5.2 粒子群算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實現(xiàn)步驟
        2.5.3 基于粒子群算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識仿真
    2.6 仿真對比分析
    2.7 本章小結(jié)
第3章 基于C-DE算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識
    3.1 引言
    3.2 Memetie算法簡介
        3.2.1 Memetie算法的基本思想
        3.2.2 Memetie算法的流程
    3.3 基于Memetic算法的混沌差分進化算法
        3.3.1 差分進化算法的參數(shù)自適應(yīng)策略
        3.3.2 混沌搜索
        3.3.3 C-DE算法的步驟
    3.4 C-DE算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實現(xiàn)步驟
    3.5 基于C-DE算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識仿真
    3.6 仿真對比分析
    3.7 本章小結(jié)
第4章 基于C-PSODE算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識
    4.1 引言
    4.2 C-PSODE算法的原理
        4.2.1 PSO與DE結(jié)合的可行性分析
        4.2.2 C-PSODE算法的實現(xiàn)步驟
    4.3 C-PSODE算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實現(xiàn)步驟
    4.4 基于C-PSODE算法的模糊RBF網(wǎng)絡(luò)非線性系統(tǒng)辨識仿真
    4.5 仿真對比分析
    4.6 本章小結(jié)
結(jié)論與展望
致謝
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻】：
期刊論文
[1]基于差分進化的生物地理學(xué)優(yōu)化算法[J]. 葉開文,劉三陽,高衛(wèi)峰.  計算機應(yīng)用. 2012(11)
[2]基于混沌和差分進化的混合粒子群優(yōu)化算法[J]. 劉建平.  計算機仿真. 2012(02)
[3]基于改進差分進化算法的在線軌跡優(yōu)化[J]. 韓敏,王明慧,范劍超.  控制與決策. 2012(02)
[4]基于混沌DNA遺傳算法的模糊遞歸神經(jīng)網(wǎng)絡(luò)建模[J]. 陳霄,王寧.  控制理論與應(yīng)用. 2011(11)
[5]基于改進PSO和DE的混合算法[J]. 易文周,張超英,王強,許亞梅,周金玲.  計算機工程. 2010(10)
[6]一種改進的動態(tài)聚類非線性系統(tǒng)辨識算法[J]. 王亞靜,劉福才,張艷欣,董媛媛.  控制工程. 2010(S2)
[7]非線性系統(tǒng)辨識方法研究[J]. 徐小平,錢富才,王峰.  計算機工程與應(yīng)用. 2010(06)
[8]改進自適應(yīng)變空間差分進化算法[J]. 姚峰,楊衛(wèi)東,張明,李仲德.  控制理論與應(yīng)用. 2010(01)
[9]自適應(yīng)變尺度混沌免疫優(yōu)化算法及其應(yīng)用[J]. 楊海東,鄂加強.  控制理論與應(yīng)用. 2009(10)
[10]分工差分進化算法[J]. 姜立強,劉光斌,郭錚.  小型微型計算機系統(tǒng). 2009(07)

碩士論文
[1]基于RPROP-SVR混合算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識[D]. 王曉燕.西南交通大學(xué) 2009
[2]基于層遞式模糊神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識[D]. 林宇峰.東北大學(xué) 2008



本文編號：3309886