基于DE算法的DRNN网络非线性系统辨识研究
发布时间：2022-01-13 02:58
系统辨识是控制领域研究的一个重要内容,而非线性系统的辨识更是其中的难点和热点。人工神经网络的提出,为复杂的非线性系统的辨识开辟了新的路径。常见的神经网有很多,其中以BP网络最为熟知,但作为一种多层前向静态网络,BP网络自身存在很多缺陷。对角递归神经网络（DRNN）是一种具有反馈环节的动态网络,它通过储存内部状态使其具备映射动态特征的功能,更适合于非线性动态系统的辨识。学习算法是系统辨识研究的核心问题,传统的BP算法,即梯度下降法,已经无法满足对辨识精度和收敛速度的要求。为此,人们也进行了各种算法的改进与研究,并取得了一定的成果。为了进一步提高辨识精度和收敛速度,本文采用DRNN网络和差分进化（DE）算法进行了非线性系统辨识的研究。本文首先对神经网络系统辨识、差分进化的国内外研究现状进行了综述和分析,指出了本课题需要解决的问题,同时给出了研究思路及研究意义。介绍了DRNN神经网络的基本模型和辨识原理,并以DRNN为训练网络,分别采用基本BP算法、改进BP算法和遗传算法（GA）作为系统辨识的学习算法,对两个典型的非线性系统进行系统辨识,通过Matlab仿真实验比较了三种算法的性能指标,结果...
【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】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
缩略语表
第1章 绪论
1.1 引言
1.2 课题的提出及研究意义
1.3 神经网络系统辨识研究现状
1.3.1 系统辨识研究现状
1.3.2 神经网络研究现状
1.4 差分进化研究现状
1.5 论文主要工作
1.6 论文结构安排
第2章 对角递归神经网络辨识
2.1 引言
2.2 DRNN网络辨识
2.2.1 DRNN网络基本模型
2.2.2 DRNN网络辨识
2.3 BP算法
2.4 改进BP算法
2.4.1 加入动量项
2.4.2 学习速率自适应调整法
2.5 GA算法
2.6 三种算法性能比较
2.7 小结
第3章 基于DE算法的DRNN非线性系统辨识
3.1 引言
3.2 DE算法
3.2.1 DE算法基本操作
3.2.2 DE变异策略对比
3.3 混合策略的DE算法
3.4 基于DE算法的DRNN非线性系统辨识
3.5 小结
第4章 基于改进DE算法的DRNN非线性系统辨识
4.1 引言
4.2 改进DE算法
4.2.1 Memetic技术
4.2.2 Simplex Method局部搜索
4.2.3 DE-Simplex算法实现
4.3 Matlab仿真实验
4.3.1 DE-Simplex算法函数测试
4.3.2 基于DE-Simplex算法的DRNN非线性系统辨识
4.4 小结
结论
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]差分进化算法研究进展[J]. 王杰文. 湖南第一师范学报. 2009(06)
[2]基于单纯形算子的混合差分进化算法[J]. 刘洁,吴亮红,刘建勋. 计算机工程. 2009(13)
[3]非线性规划问题的单纯形算法[J]. 李婷. 长春理工大学学报(高教版). 2009(06)
[4]基于对角递归神经网络系统辨识及应用[J]. 于海波,马翠红. 微计算机信息. 2007(31)
[5]差分进化算法研究进展[J]. 刘波,王凌,金以慧. 控制与决策. 2007(07)
[6]差分进化算法研究进展[J]. 周艳平,顾幸生. 化工自动化及仪表. 2007(03)
[7]基于差异进化算法的人工神经网络快速训练研究[J]. 王刚,高阳,夏洁. 管理学报. 2005(04)
[8]递归神经网络学习速率研究[J]. 戴谊,丛爽. 系统工程与电子技术. 2005(05)
[9]递归神经网络的结构研究[J]. 丛爽,戴谊. 计算机应用. 2004(08)
[10]基于对角递归神经网络的建模及应用[J]. 段慧达,郑德玲,刘聪. 北京科技大学学报. 2004(01)
博士论文
[1]神经网络在过程辨识与控制中的应用研究[D]. 周黎辉.华北电力大学（河北） 2004
硕士论文
[1]基于递归神经网络的非线性系统辨识研究[D]. 章国升.兰州大学 2010
[2]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
[3]基于神经网络的系统辨识方法研究[D]. 刘海锋.西安电子科技大学 2007
[4]神经网络在非线性系统辨识中的应用[D]. 佘远俊.西南交通大学 2005
[5]递归神经网络的研究及在非线性动态系统辨识中的应用[D]. 张欣.太原理工大学 2005
[6]基于系统辨识的神经网络学习算法研究[D]. 王立红.大连海事大学 2002
本文编号：3585932
【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】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
缩略语表
第1章 绪论
1.1 引言
1.2 课题的提出及研究意义
1.3 神经网络系统辨识研究现状
1.3.1 系统辨识研究现状
1.3.2 神经网络研究现状
1.4 差分进化研究现状
1.5 论文主要工作
1.6 论文结构安排
第2章 对角递归神经网络辨识
2.1 引言
2.2 DRNN网络辨识
2.2.1 DRNN网络基本模型
2.2.2 DRNN网络辨识
2.3 BP算法
2.4 改进BP算法
2.4.1 加入动量项
2.4.2 学习速率自适应调整法
2.5 GA算法
2.6 三种算法性能比较
2.7 小结
第3章 基于DE算法的DRNN非线性系统辨识
3.1 引言
3.2 DE算法
3.2.1 DE算法基本操作
3.2.2 DE变异策略对比
3.3 混合策略的DE算法
3.4 基于DE算法的DRNN非线性系统辨识
3.5 小结
第4章 基于改进DE算法的DRNN非线性系统辨识
4.1 引言
4.2 改进DE算法
4.2.1 Memetic技术
4.2.2 Simplex Method局部搜索
4.2.3 DE-Simplex算法实现
4.3 Matlab仿真实验
4.3.1 DE-Simplex算法函数测试
4.3.2 基于DE-Simplex算法的DRNN非线性系统辨识
4.4 小结
结论
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]差分进化算法研究进展[J]. 王杰文. 湖南第一师范学报. 2009(06)
[2]基于单纯形算子的混合差分进化算法[J]. 刘洁,吴亮红,刘建勋. 计算机工程. 2009(13)
[3]非线性规划问题的单纯形算法[J]. 李婷. 长春理工大学学报(高教版). 2009(06)
[4]基于对角递归神经网络系统辨识及应用[J]. 于海波,马翠红. 微计算机信息. 2007(31)
[5]差分进化算法研究进展[J]. 刘波,王凌,金以慧. 控制与决策. 2007(07)
[6]差分进化算法研究进展[J]. 周艳平,顾幸生. 化工自动化及仪表. 2007(03)
[7]基于差异进化算法的人工神经网络快速训练研究[J]. 王刚,高阳,夏洁. 管理学报. 2005(04)
[8]递归神经网络学习速率研究[J]. 戴谊,丛爽. 系统工程与电子技术. 2005(05)
[9]递归神经网络的结构研究[J]. 丛爽,戴谊. 计算机应用. 2004(08)
[10]基于对角递归神经网络的建模及应用[J]. 段慧达,郑德玲,刘聪. 北京科技大学学报. 2004(01)
博士论文
[1]神经网络在过程辨识与控制中的应用研究[D]. 周黎辉.华北电力大学（河北） 2004
硕士论文
[1]基于递归神经网络的非线性系统辨识研究[D]. 章国升.兰州大学 2010
[2]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
[3]基于神经网络的系统辨识方法研究[D]. 刘海锋.西安电子科技大学 2007
[4]神经网络在非线性系统辨识中的应用[D]. 佘远俊.西南交通大学 2005
[5]递归神经网络的研究及在非线性动态系统辨识中的应用[D]. 张欣.太原理工大学 2005
[6]基于系统辨识的神经网络学习算法研究[D]. 王立红.大连海事大学 2002
本文编号：3585932
本文链接：https://www.wllwen.com/projectlw/xtxlw/3585932.html
