基于引力搜索算法的非线性系统辨识

发布时间：2022-01-01 20:30

　　针对传统辨识方法辨识非线性系统时存在的辨识精度低、收敛速度慢等问题,引入了一种基于混合引力搜索算法的非线性系统辨识方法。该混合优化算法是将粒子群算法中群体历史最优位置及自身历史最优位置的概念引入到引力搜索算法中,通过帮助粒子接近最优位置,改进了搜索算法中粒子的全局搜索能力,使得该混合算法的开采能力和探索能力得到更好的增强和平衡。对Wiener模型进行辨识,比较分析仿真结果,发现混合优化算法能够提高辨识精度并获得良好的辨识效果,验证了该算法的有效性和可行性。 

【文章来源】：青岛科技大学学报(自然科学版). 2016,37(05)

【文章页数】：5 页

【文章目录】：
1 基于GSAPSO算法的Wiener模型辨识
    1.1 标准引力搜索算法
    1.2 粒子群算法
    1.3 GSAPSO混合优化算法
2 非线性系统模型
    2.1 Wiener模型
    2.2 Wiener模型的辨识
3 仿真实例分析与比较
4 结论


【参考文献】：
期刊论文
[1]基于改进万有引力搜索算法的微网优化运行[J]. 李鹏,徐伟娜,周泽远,李锐.  中国电机工程学报. 2014(19)
[2]基于改进引力搜索算法的励磁控制PID参数优化[J]. 李超顺,周建中,肖剑.  华中科技大学学报(自然科学版). 2012(10)
[3]基于改进万有引力搜索算法的无人机航路规划[J]. 李沛,段海滨.  中国科学:技术科学. 2012(10)
[4]引力搜索算法中粒子记忆性改进的研究[J]. 李春龙,戴娟,潘丰.  计算机应用. 2012(10)
[5]一种基于粒子群优化的非线性系统辨识方法[J]. 李秀英,韩志刚.  控制与决策. 2011(11)
[6]基于Wiener模型的非线性预测函数控制[J]. 陈进东,张相胜,潘丰.  吉林大学学报(工学版). 2011(S1)
[7]非线性动态系统的Wiener神经网络辨识法[J]. 吴德会.  控制理论与应用. 2009(11)
[8]一种辨识Wiener-Hammerstein模型的新方法[J]. 徐小平,钱富才,王峰.  控制与决策. 2008(08)
[9]基于粒子群优化的Wiener模型辨识与实例研究[J]. 张艳,李少远,王笑波,周坚刚.  控制理论与应用. 2006(06)



本文编号：3562789