基于智能计算的模块化非线性系统辨识研究

发布时间：2023-10-26 19:19

　　非线性系统辨识一直是过程控制领域中的热点问题。而模块化模型作为非线性模型的一种,便于操作,能够有效拟合实际生产系统,因此常用于非线性系统辨识中。考虑到智能计算领域近年来发展飞快,成功解决了诸多非线性系统辨识问题,本文主要针对两种典型的模块化模型:Wiener模型和Hammerstein模型,结合智能优化算法和神经网络来研究具体辨识方案。主要内容包括:(1)针对标准粒子群优化算法(PSO)易早熟收敛等缺点,通过引入早熟收敛程度评价指标,将种群分类后对其位置进行自适应调整,提出了一种改进的粒子群优化算法(MPSO)。针对标准飞蛾优化算法(MFO)横向定位机制的低效性,将高斯混合分布思想引入其位置更新和种群初始化中,提出了一种新型的高斯混合飞蛾优化算法(GMFO),并通过测试函数证明了其有效性。(2)针对Wiener模型进行研究,线性模块用动态线性神经元来表示,非线性模块分别用BP神经网络和RBF神经网络来逼近,将模型表达成串联的网络结构。将双层优化策略应用到辨识中,内层学习采用BP算法,而外层学习采用MPSO算法,之后通过对CO2浓度系统的辨识证明了辨识方案的有效性。(3)研究SISO H...

【文章页数】：100 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景及意义
    1.2 本课题相关领域的研究现状
        1.2.1 智能计算领域的研究现状
        1.2.2 神经网络的研究现状
        1.2.3 智能优化算法的研究现状
        1.2.4 模块化非线性系统辨识的研究现状
    1.3 论文研究内容
第二章 基于改进粒子群优化算法的网络化Wiener模型辨识
    2.1 引言
    2.2 基于神经网络的Wiener模型
        2.2.1 一般的Wiener模型
        2.2.2 基于BP网络的Wiener模型
        2.2.3 基于RBF网络的Wiener模型
    2.3 改进的粒子群优化算法
        2.3.1 标准粒子群优化算法
        2.3.2 各个参数对算法性能的影响
        2.3.3 MPSO算法
    2.4 基于双层优化策略的辨识
        2.4.1 双层优化策略
        2.4.2 辨识过程
    2.5 仿真实例
        2.5.1 基于BP网络的Wiener模型辨识
        2.5.2 基于RBF网络的Wiener模型辨识
    2.6 小结
第三章 基于高斯混合飞蛾优化算法的Hammerstein模型辨识
    3.1 引言
    3.2 问题描述
        3.2.1 单输入单输出Hammerstein模型
        3.2.2 FLANN的结构
    3.3 飞蛾扑火优化算法
    3.4 高斯混合飞蛾优化算法
    3.5 测试函数
        3.5.1 算法参数设置
        3.5.2 实验结果分析
    3.6 基于GMFO算法的Hammerstein模型辨识
        3.6.1 辨识原理及流程
        3.6.2 仿真实例
    3.7 小结
第四章 重尾噪声影响下MIMO Hammerstein模型辨识研究
    4.1 引言
    4.2 重尾噪声
    4.3 问题公式化
        4.3.1 MIMO Hammerstein模型
        4.3.2 MIMO RBF神经网络的结构
    4.4 重尾噪声下MIMO Hammerstein模型辨识
        4.4.1 辨识过程
        4.4.2 GMFO算法在解决重尾噪声下辨识问题的优势
    4.5 仿真实验
        4.5.1 仿真实验一
        4.5.2 模型验证
        4.5.3 仿真实验二
        4.5.4 模型验证
        4.5.5 仿真实验三
        4.5.6 模型验证
    4.6 小结
第五章 总结及展望
参考文献
致谢
研究成果及发表的学术论文
作者及导师简介
附件



本文编号：3856826