基于重尾分布布谷鸟算法的非线性系统辨识研究

发布时间：2020-09-01 20:13

　　 本文在详细分析了布谷鸟算法(CS)的特点之后,根据相关应用背景,对布谷鸟算法(CS)进行了一系列改进。仿真实验证实了改进布谷鸟算法(CS)的有效性,并将改进算法应用于非线性Hammerstein模型辨识。具体内容如下:(1)首先详细介绍了近十年来发展迅速的布谷鸟算法(CS),布谷鸟算法(CS)是一种新型群智能寻优算法。通过详细分析布谷鸟算法(CS)的工作原理,了解到布谷鸟算法(CS)作为一种群智能寻优算法,产生新解的方式是levy飞行。本文依据不同的系统辨识需求提出了两种改进的布谷鸟算法TTCS和GMDA,并将其作为相应系统辨识参数寻优的强有力的工具。(2)针对于单输入单输出的非线性Hammerstein模型进行研究。以往大多数非线性Hammerstein模型的研究多数为基于解析方法,研究难度大,尤其非线性部分本身很难提炼出解析解。针对这类问题,本文尝试利用模块化非线性系统辨识方法,提出利用函数连接型神经网络(FLANN)来近似Hammerstein模型的非线性部分。相应的,为了对上述提出的模块化模型参数进行辨识,本文提出利用一种典型重尾分布学生t分布以及由学生t分布产生的在区间(0,1)之间的序列来对布谷鸟算法进行改进。文章第三章的仿真实例证实了改进算法(TTCS)在处理单输入单输出Hammerstein模型参数辨识时的有效性。(3)针对重尾噪声影响下多输入多输出系统Hammerstein模型的辨识问题进行研究。以往系统辨识问题多数是在白噪声及基于白噪声的有色噪声假设下进行研究。近年来研究发现在一些复杂工业问题中,将噪声假设为高斯噪声类,相对来说显得有些过于保守了。不少的研究发现,一些系统中有离群点的出现。然而针对于此类非高斯噪声影响下的非线性系统辨识尚没有比较统一的解析方法。本文尝试采取模块化系统辨识方法,利用径向基函数(RBF)神经网络,将此类辨识问题转化为一种参数优化问题。利用本文提出的一种改进的布谷鸟算法(GMDA)来解决上述优化问题。文中第四章的仿真实例证实了 GMDA在解决此类问题时的有效性(4)探索了利用智能寻优算法训练神经网络的可能性。在(2)和(3)中,对于函数连接型神经网络(FLANN)和径向基(RBF)神经网络训练没有采用传统的梯度下降算法,而是将神经网络的训练转化为参数寻优问题,从而将以往需要凭人工经验给出的相关参数也转化为了可以利用智能寻优算法训练的值。降低了神经网络训练的难度,减小了训练复杂度。
【学位单位】：北京化工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;N945.14
【部分图文】：

实例1:TTCS.CS.PSO和ICS的MSE指标的收敛曲线

图３－６实例１：１模型输出曲对比２虚线方框的部的放大逡逑

图３－１２实例２：邋（１）模型输出曲线对比（２）虚线方框的部分的放大逡逑

【参考文献】

相关期刊论文 前7条

1 马竹根;;智能水滴算法研究[J];计算机与数字工程;2014年06期

2 贾立;李训龙;;Hammerstein模型辨识的回顾及展望[J];控制理论与应用;2014年01期

3 吴虎胜;张凤鸣;吴庐山;;一种新的群体智能算法——狼群算法[J];系统工程与电子技术;2013年11期

4 丁锋;;系统辨识(6):多新息辨识理论与方法[J];南京信息工程大学学报(自然科学版);2012年01期

5 王冬青;丁锋;;基于辅助模型的多新息广义增广随机梯度算法[J];控制与决策;2008年09期

6 周东华,DingX;容错控制理论及其应用[J];自动化学报;2000年06期

7 刘向杰,周孝信,柴天佑;模糊控制研究的现状与新发展[J];信息与控制;1999年04期

相关博士学位论文 前2条

1 蒋北艳;复杂系统新型内模控制方法的研究[D];北京化工大学;2015年

2 任燕燕;基于智能计算的非线性系统辨识算法研究及其应用[D];华北电力大学;2014年

本文编号：2810204