基于改進BBO算法的DRNN網(wǎng)絡非線性系統(tǒng)辨識.pdf

1、非線性系統(tǒng)辨識問題一直是控制領域研究的熱點和難點。遞歸神經(jīng)網(wǎng)絡因其特有的反饋特性更適用于非線性動態(tài)系統(tǒng)辨識。在遞歸神經(jīng)網(wǎng)絡中，對角遞歸神經(jīng)網(wǎng)絡(Diagonal Recurrent Neural Network，DRNN)可以更直接的反映系統(tǒng)的動態(tài)特性，簡單易實現(xiàn)，又有適應時變特性的能力。但是訓練DRNN網(wǎng)絡最常用的BP算法存在辨識精度不高且收斂速度慢等問題，不少學者提出了改進算法，并有了一定的研究成果。為了進一步的提高收斂速度以及辨識

2、精度，本文采用改進的生物地理學優(yōu)化算法進行對角遞歸神經(jīng)網(wǎng)絡非線性系統(tǒng)辨識研究。
　　 本文引入生物地理學優(yōu)化算法(Biogeography-Based Optimization，BBO)訓練對角遞歸神經(jīng)網(wǎng)絡初始權值。為了驗證生物地理學優(yōu)化算法用于訓練對角遞歸神經(jīng)網(wǎng)絡的有效性，分別采用基于BP算法、遺傳算法(Genetic Algorithm，GA)、BBO算法的DRNN網(wǎng)絡進行非線性系統(tǒng)辨識。將各辨識結(jié)果進行比較得出:基于BBO

3、算法的辨識誤差以及辨識精度均要好于BP算法以及GA算法，表明了基于BBO算法的DRNN網(wǎng)絡非線性系統(tǒng)辨識的有效性。
　　 針對生物地理學優(yōu)化算法搜索能力弱、易出現(xiàn)早熟現(xiàn)象、易陷入局部最優(yōu)等缺點，采用差分進化算法(Differential Evolution Algorithm，DE)的差分變異算子與BBO算法的遷移算子相結(jié)合，得到混合BBO-DE算法優(yōu)化DRNN網(wǎng)絡初始權值。通過與BBO算法以及DE算法對比分析，表明基于BBO-

4、DE算法的DRNN網(wǎng)絡非線性系統(tǒng)辨識是有效的。
　　 為了進一步增強BBO-DE算法的搜索能力，采用一種基于非均勻變異算子的BBO-DE算法（簡稱nDEBBO算法）。采用nDEBBO算法優(yōu)化DRNN網(wǎng)絡初始權值，為了表明基于nDEBBO算法的DRNN網(wǎng)絡非線性系統(tǒng)辨識的優(yōu)越性，將其與BBO-DE算法以及文獻20所提出的DE-Simplex算法進行對比分析。
　　 最后，在訓練DRNN網(wǎng)絡過程中，為避免梯度大小對網(wǎng)絡權值改