基于C-PSODE算法的模糊RBF神经网络非线性系统辨识

发布时间：2021-07-29 19:08

　　非线性系统辨识一直是信号处理和控制理论的研究热点和难点。模糊RBF （Radial Basis Function, RBF）神经网络结合了RBF神经网络和模糊推理的优点,具有强大的数据处理能力和非线性映射能力。但是梯度下降算法存在着收敛速度慢、易陷入局部最优等问题。结合几种智能进化算法,寻求辨识效果更好的训练算法是本文的主要研究内容。针对梯度下降算法存在的问题,采用几种智能进化算法对模糊RBF神经网络进行训练。为了对比不同智能进化算法辨识效果的优劣,本文分别将遗传算法（Genetic Algorithm, GA）、差分进化算法（Differential Evolution, DE）和粒子群算法（Particle Swarm Optimization, PSO）用于模糊RBF神经网络非线性系统辨识。仿真结果表明,三种算法中,粒子群算法具有较优的辨识效果,其次为差分进化算法。为了克服差分进化算法搜索停滞等缺陷,采用一种基于Memetic算法思想的改进差分进化算法（Chaotic Differential Evolution, C-DE）对模糊RBF神经网络进行训练,该算法利用混沌局部搜索和... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 神经网络非线性系统辨识的研究现状及意义
    1.2 几种智能进化算法的研究现状
        1.2.1 差分进化算法(Differential Evolution,DE)
        1.2.2 粒子群算法(Particle Swarm Optimization,PSO)
    1.3 本文的主要内容
第2章 基于几种智能进化算法的模糊RBF神经网络非线性系统辨识
    2.1 模糊RBF神经网络的拓扑结构
    2.2 模糊RBF神经网络辨识原理
    2.3 基于遗传算法的模糊RBF神经网络非线性系统辨识
        2.3.1 遗传算法的原理
        2.3.2 遗传算法训练模糊RBF神经网络的实现步骤
        2.3.3 基于遗传算法的模糊RBF神经网络非线性系统辨识仿真
    2.4 基于差分进化算法的模糊RBF神经网络非线性系统辨识
        2.4.1 差分进化算法的原理
        2.4.2 差分进化算法训练模糊RBF神经网络的实现步骤
        2.4.3 基于差分进化算法的模糊RBF神经网络非线性系统辨识仿真
    2.5 基于粒子群算法的模糊RBF神经网络非线性系统辨识
        2.5.1 粒子群算法的原理
        2.5.2 粒子群算法训练模糊RBF神经网络的实现步骤
        2.5.3 基于粒子群算法的模糊RBF神经网络非线性系统辨识仿真
    2.6 仿真对比分析
    2.7 本章小结
第3章 基于C-DE算法的模糊RBF神经网络非线性系统辨识
    3.1 引言
    3.2 Memetie算法简介
        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算法的混沌差分进化算法
        3.3.1 差分进化算法的参数自适应策略
        3.3.2 混沌搜索
        3.3.3 C-DE算法的步骤
    3.4 C-DE算法训练模糊RBF神经网络的实现步骤
    3.5 基于C-DE算法的模糊RBF神经网络非线性系统辨识仿真
    3.6 仿真对比分析
    3.7 本章小结
第4章 基于C-PSODE算法的模糊RBF神经网络非线性系统辨识
    4.1 引言
    4.2 C-PSODE算法的原理
        4.2.1 PSO与DE结合的可行性分析
        4.2.2 C-PSODE算法的实现步骤
    4.3 C-PSODE算法训练模糊RBF神经网络的实现步骤
    4.4 基于C-PSODE算法的模糊RBF网络非线性系统辨识仿真
    4.5 仿真对比分析
    4.6 本章小结
结论与展望
致谢
参考文献
攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]基于差分进化的生物地理学优化算法[J]. 叶开文,刘三阳,高卫峰.  计算机应用. 2012(11)
[2]基于混沌和差分进化的混合粒子群优化算法[J]. 刘建平.  计算机仿真. 2012(02)
[3]基于改进差分进化算法的在线轨迹优化[J]. 韩敏,王明慧,范剑超.  控制与决策. 2012(02)
[4]基于混沌DNA遗传算法的模糊递归神经网络建模[J]. 陈霄,王宁.  控制理论与应用. 2011(11)
[5]基于改进PSO和DE的混合算法[J]. 易文周,张超英,王强,许亚梅,周金玲.  计算机工程. 2010(10)
[6]一种改进的动态聚类非线性系统辨识算法[J]. 王亚静,刘福才,张艳欣,董媛媛.  控制工程. 2010(S2)
[7]非线性系统辨识方法研究[J]. 徐小平,钱富才,王峰.  计算机工程与应用. 2010(06)
[8]改进自适应变空间差分进化算法[J]. 姚峰,杨卫东,张明,李仲德.  控制理论与应用. 2010(01)
[9]自适应变尺度混沌免疫优化算法及其应用[J]. 杨海东,鄂加强.  控制理论与应用. 2009(10)
[10]分工差分进化算法[J]. 姜立强,刘光斌,郭铮.  小型微型计算机系统. 2009(07)

硕士论文
[1]基于RPROP-SVR混合算法的DRNN网络非线性系统辨识[D]. 王晓燕.西南交通大学 2009
[2]基于层递式模糊神经网络的非线性系统辨识[D]. 林宇峰.东北大学 2008



本文编号：3309886