基于DEBBO-LM算法的BP網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí).pdf

1、系統(tǒng)辨識(shí)一直都是控制領(lǐng)域研究的熱點(diǎn)與難點(diǎn)。傳統(tǒng)的辨識(shí)方法在處理非線性系統(tǒng)辨識(shí)上存在很多的缺點(diǎn)，而人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)能力、并行處理能力、自學(xué)習(xí)能力以及任意逼近非線性函數(shù)的特點(diǎn)，更適用于非線性系統(tǒng)的辨識(shí)。
　　幾十年前，BP神經(jīng)網(wǎng)絡(luò)作為一種人工智能的技術(shù)，取得了令人矚目的成果。近年來(lái)也有很多研究學(xué)者將其應(yīng)用于非線性系統(tǒng)辨識(shí)，由于BP網(wǎng)絡(luò)較強(qiáng)的函數(shù)逼近能力，所以將其應(yīng)用于非線性系統(tǒng)辨識(shí)取得了良好的效果。然而，在BP網(wǎng)絡(luò)應(yīng)用于非線性系

2、統(tǒng)辨識(shí)中，也存在著較多的缺點(diǎn)，如網(wǎng)絡(luò)容易陷入局部最優(yōu)，無(wú)法收斂到給定的誤差；訓(xùn)練時(shí)間長(zhǎng)，而且迭代的次數(shù)多，所以收斂速度較慢；該算法的初始權(quán)值的選擇是盲目的，不具有全局特性等。以上這些缺點(diǎn)都嚴(yán)重影響了系統(tǒng)的辨識(shí)效果，所以需要采用某些方法對(duì)BP網(wǎng)絡(luò)進(jìn)行優(yōu)化。
　　本文針對(duì)以上BP網(wǎng)絡(luò)存在的缺點(diǎn)，給出了一種基于DE-LM算法的BP網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)的方法。DE算法是一種基于種群的全局優(yōu)化算法，具有結(jié)構(gòu)簡(jiǎn)單、魯棒性強(qiáng)以及容易實(shí)現(xiàn)等特點(diǎn)。L

3、M算法是一種利用標(biāo)準(zhǔn)數(shù)值優(yōu)化技術(shù)的算法，它提供了高斯-牛頓法的速度與保證收斂的最速下降法之間的一個(gè)折衷，該算法可以解決局部極小值的問(wèn)題，并且可以加快網(wǎng)絡(luò)的收斂速度。所以本文將DE算法與LM算法相結(jié)合用于BP網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)仿真研究，其中DE算法用于求出網(wǎng)絡(luò)的初始權(quán)值和閾值，LM算法則用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)至收斂。然后將DE-LM算法用于辨識(shí)非線性系統(tǒng)，并且與文獻(xiàn)[47]的辨識(shí)方法進(jìn)行比較，仿真結(jié)果表明所給出DE-LM算法收斂速度快，辨識(shí)精

4、度高。
　　為了進(jìn)一步提高網(wǎng)絡(luò)的辨識(shí)精度以及收斂速度，針對(duì)DE算法缺乏局部搜索能力，使網(wǎng)絡(luò)后期收斂速度減慢等缺點(diǎn)，論文將DE算法與BBO算法相結(jié)合，給出一種混合的差分演化算法，DEBBO算法。該算法既能利用DE算法中的變異算子對(duì)搜索的空間進(jìn)行開采，從而增加算法找到全局最優(yōu)解的可能，又能結(jié)合BBO算法遷移算子的利用能力，對(duì)當(dāng)前種群信息進(jìn)行有效的利用，從而加快收斂速度。將DEBBO算法用于訓(xùn)練BP網(wǎng)絡(luò)具有更快的速度以及更好的魯棒性，接