本文關鍵詞：基于遺傳小波神經網(wǎng)絡的光電穩(wěn)定平臺系統(tǒng)辨識，由筆耕文化傳播整理發(fā)布。

針對光電穩(wěn)定平臺系統(tǒng)不能對航空平臺姿態(tài)高頻變化進行實時精確補償,系統(tǒng)補償特性不能精確獲知的問題,提出了一種自適應差分遺傳小波神經網(wǎng)絡的系統(tǒng)辨識方法。該方法首先采用小波函數(shù)作為神經網(wǎng)絡的激勵函數(shù),提高了神經網(wǎng)絡的泛化能力和逼近能力,對小波神經網(wǎng)絡參數(shù)和結構進行染色體編碼,用遺傳算法解決了小波神經網(wǎng)絡結構不易確定的問題。

518儀器儀表學報

－1/2

第34卷

臺系統(tǒng)受到機械傳動等因素的限制，可完全補償航空平

同時航空平臺姿態(tài)變化頻率范圍臺姿態(tài)頻率范圍較小，

使得無法通常高于光電穩(wěn)定平臺可完全補償?shù)纳舷拗担?/p>

獲取光電穩(wěn)定平臺對航空平臺高頻姿態(tài)的精確補償值，進而不能準確確定成像時刻相機的姿態(tài)。究其原因，是因為光電穩(wěn)定平臺在航空平臺姿態(tài)變化全頻率范圍的系統(tǒng)補償特性是未知的。因此，為了獲取成像時刻準確的提高航空遙感圖像后處理精度，必須對光電穩(wěn)載荷姿態(tài)，

定平臺系統(tǒng)進行全頻率范圍內辨識。

，對于非

線性系統(tǒng)辨識國內外學者提出了很多智能辨識方法，如

光電穩(wěn)定平臺系統(tǒng)是復雜的非線性系統(tǒng)

ARMA（autoregressivemovingaverage）模型系統(tǒng)辨識方［3］［4］［5-7］［8-9］

、法、模糊邏輯算法、神經網(wǎng)絡方法遺傳算法

［10-11］

和小波分析方法等。為了能更好的辨識出非線性系統(tǒng)，人們將各智能算法有效地結合，，提出了如模糊神經網(wǎng)［13-14］

、、遺傳神經網(wǎng)絡方法小波神經網(wǎng)絡方

［15］

法等。其中，小波神經網(wǎng)絡方法因具有良好的時頻特

［1-2］

=|a|φa，b（x）ψ

－b

(xa)

（3）

式（2）可改寫為：

Wf（a，b）=＜f（x），＞φa，b（x）

b為平移因子。式中：a為尺度因子，2．2

小波神經網(wǎng)絡結構

（4）

小波神經網(wǎng)絡是指采用非線性小波函數(shù)作為激勵函

數(shù)的神經網(wǎng)絡。其網(wǎng)絡拓撲結構如圖1所示

：

絡方法

［12］

圖1小波神經網(wǎng)絡結構

多尺度分辨能力、較強的逼近能力和容錯能力，能夠性、

解決傳統(tǒng)神經網(wǎng)絡方法學習收斂速度慢、易陷入局部最小值和過擬合等問題，因而在系統(tǒng)辨識中得到了廣泛地應用。然而，小波神經網(wǎng)絡方法存在隱層節(jié)點數(shù)不易確定的缺點，通常解決的辦法是采用試湊法，但收斂速度較

且不易求出最優(yōu)解。為了解決該問題，人們將遺傳算慢，

法引入到小波神經網(wǎng)絡，提出了遺傳算法小波神經網(wǎng)［16］

絡。為了能快速、高效地辨識出光電穩(wěn)定平臺系統(tǒng)，本文提出了基于自適應差分進化遺傳小波神經網(wǎng)絡的系

小波分析方法、神經統(tǒng)辨識算法。該算法具有遺傳算法、

網(wǎng)絡方法的優(yōu)點，同時，為了提高對光電穩(wěn)定平臺系統(tǒng)的

辨識效率，采用自適應差分算法求解遺傳變異時每代種為了驗證該算法的辨識群最優(yōu)交叉率和變異率。最后，效果，將無人機外場獲取的試驗數(shù)據(jù)對光電穩(wěn)定平臺系統(tǒng)進行辨識，辨識結果表明，該算法可有效地辨識出光電穩(wěn)定平臺系統(tǒng)。

yj=

Fig．1Waveletneuralnetworkstructure

該小波神經網(wǎng)絡輸出為：

h

m

∑w

k=0

k，n

φk（

∑u

i=0

i，k

xi）（j=1，2，…，n）（5）

yj為輸出層第j個節(jié)式中：xi為輸入層第i個節(jié)點的輸入，ui，點的輸出，k為輸入層節(jié)點i到隱層節(jié)點k的連結權值，wk，m為輸入層節(jié)j為隱層節(jié)點k到輸出節(jié)點j的連結權值。h為隱層節(jié)點數(shù)，n為輸出節(jié)點數(shù)�！�，點數(shù)，φ1，φ2，φh為

母小波ψ（x）經過伸縮和平移得到的小波基。2．3

自適應差分進化遺傳算法

由于傳統(tǒng)遺傳算法存在早熟現(xiàn)象和收斂速度慢的問為了解決該問題，引入了自適應差分進化遺傳算法題，

（adaptivedifferentialevolutiongeneticalgorithm，ADEGA）。ADEGA在染色體遺傳變異時，采用每代的最優(yōu)交叉率和變異率，既保證了種群的多樣性，又避免了算法早熟。同ADEGA利用差分進化算法，時，可提高遺傳算法的搜索能力和收斂速度。ADEGA算法的具體步驟如下：1）初始化種群：確定種群規(guī)模N，初始化個體樣本，最大迭代次數(shù)Tmax，迭代次數(shù)初始值g=0和適應度目標值fgoal；

2）適應度函數(shù)：根據(jù)研究目的，選取相應的適應度函數(shù)；

3）最優(yōu)交叉率和變異率：根據(jù)式（6）、（7）計算當前最優(yōu)的交叉率C和變異率F：

C=

［18］

2

2．1

自適應差分進化遺傳小波神經網(wǎng)絡算法

小波分析理論

對于平方可積函數(shù)ψ（x），若其傅里葉變換ψ（ω）滿

［17］

足容許條件：

C=

∫

|ψ（ω）|2

dω＜∞

|ω|

－1/2

（1）

稱ψ（x）為容許小波，并定義如下的積分變換：Wf（a，b）=|a|

∫

f（x）ψx－bdx

a

()

（2）

f∈為f（x）以ψ（x）為基的積分小波變換。其中，

L2（R）。記：

{

C1－

（C1－C2）（f'－favg）

，f'≥favg

fmax－favg

（6）

C1，f'＜favg

  本文關鍵詞：基于遺傳小波神經網(wǎng)絡的光電穩(wěn)定平臺系統(tǒng)辨識，由筆耕文化傳播整理發(fā)布。