本文關(guān)鍵詞：基于遺傳小波神經(jīng)網(wǎng)絡(luò)的光電穩(wěn)定平臺(tái)系統(tǒng)辨識(shí)，由筆耕文化傳播整理發(fā)布。

針對(duì)光電穩(wěn)定平臺(tái)系統(tǒng)不能對(duì)航空平臺(tái)姿態(tài)高頻變化進(jìn)行實(shí)時(shí)精確補(bǔ)償,系統(tǒng)補(bǔ)償特性不能精確獲知的問(wèn)題,提出了一種自適應(yīng)差分遺傳小波神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)方法。該方法首先采用小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù),提高了神經(jīng)網(wǎng)絡(luò)的泛化能力和逼近能力,對(duì)小波神經(jīng)網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)進(jìn)行染色體編碼,用遺傳算法解決了小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不易確定的問(wèn)題。

518儀器儀表學(xué)報(bào)

－1/2

第34卷

臺(tái)系統(tǒng)受到機(jī)械傳動(dòng)等因素的限制，可完全補(bǔ)償航空平

同時(shí)航空平臺(tái)姿態(tài)變化頻率范圍臺(tái)姿態(tài)頻率范圍較小，

使得無(wú)法通常高于光電穩(wěn)定平臺(tái)可完全補(bǔ)償?shù)纳舷拗担?/p>

獲取光電穩(wěn)定平臺(tái)對(duì)航空平臺(tái)高頻姿態(tài)的精確補(bǔ)償值，進(jìn)而不能準(zhǔn)確確定成像時(shí)刻相機(jī)的姿態(tài)。究其原因，是因?yàn)楣怆姺�(wěn)定平臺(tái)在航空平臺(tái)姿態(tài)變化全頻率范圍的系統(tǒng)補(bǔ)償特性是未知的。因此，為了獲取成像時(shí)刻準(zhǔn)確的提高航空遙感圖像后處理精度，必須對(duì)光電穩(wěn)載荷姿態(tài)，

定平臺(tái)系統(tǒng)進(jìn)行全頻率范圍內(nèi)辨識(shí)。

，對(duì)于非

線性系統(tǒng)辨識(shí)國(guó)內(nèi)外學(xué)者提出了很多智能辨識(shí)方法，如

光電穩(wěn)定平臺(tái)系統(tǒng)是復(fù)雜的非線性系統(tǒng)

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

、法、模糊邏輯算法、神經(jīng)網(wǎng)絡(luò)方法遺傳算法

［10-11］

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

、、遺傳神經(jīng)網(wǎng)絡(luò)方法小波神經(jīng)網(wǎng)絡(luò)方

［15］

法等。其中，小波神經(jīng)網(wǎng)絡(luò)方法因具有良好的時(shí)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

（4）

小波神經(jīng)網(wǎng)絡(luò)是指采用非線性小波函數(shù)作為激勵(lì)函

數(shù)的神經(jīng)網(wǎng)絡(luò)。其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示

：

絡(luò)方法

［12］

圖1小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

多尺度分辨能力、較強(qiáng)的逼近能力和容錯(cuò)能力，能夠性、

解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法學(xué)習(xí)收斂速度慢、易陷入局部最小值和過(guò)擬合等問(wèn)題，因而在系統(tǒng)辨識(shí)中得到了廣泛地應(yīng)用。然而，小波神經(jīng)網(wǎng)絡(luò)方法存在隱層節(jié)點(diǎn)數(shù)不易確定的缺點(diǎn)，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(wèn)題，人們將遺傳算慢，

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

絡(luò)。為了能快速、高效地辨識(shí)出光電穩(wěn)定平臺(tái)系統(tǒng)，本文提出了基于自適應(yīng)差分進(jìn)化遺傳小波神經(jīng)網(wǎng)絡(luò)的系

小波分析方法、神經(jīng)統(tǒng)辨識(shí)算法。該算法具有遺傳算法、

網(wǎng)絡(luò)方法的優(yōu)點(diǎn)，同時(shí)，為了提高對(duì)光電穩(wěn)定平臺(tái)系統(tǒng)的

辨識(shí)效率，采用自適應(yīng)差分算法求解遺傳變異時(shí)每代種為了驗(yàn)證該算法的辨識(shí)群最優(yōu)交叉率和變異率。最后，效果，將無(wú)人機(jī)外場(chǎng)獲取的試驗(yàn)數(shù)據(jù)對(duì)光電穩(wěn)定平臺(tái)系統(tǒng)進(jìn)行辨識(shí)，辨識(shí)結(jié)果表明，該算法可有效地辨識(shí)出光電穩(wěn)定平臺(tái)系統(tǒng)。

yj=

Fig．1Waveletneuralnetworkstructure

該小波神經(jīng)網(wǎng)絡(luò)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(gè)節(jié)式中：xi為輸入層第i個(gè)節(jié)點(diǎn)的輸入，ui，點(diǎn)的輸出，k為輸入層節(jié)點(diǎn)i到隱層節(jié)點(diǎn)k的連結(jié)權(quán)值，wk，m為輸入層節(jié)j為隱層節(jié)點(diǎn)k到輸出節(jié)點(diǎn)j的連結(jié)權(quán)值。h為隱層節(jié)點(diǎn)數(shù)，n為輸出節(jié)點(diǎn)數(shù)�！c(diǎn)數(shù)，φ1，φ2，φh為

母小波ψ（x）經(jīng)過(guò)伸縮和平移得到的小波基。2．3

自適應(yīng)差分進(jìn)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(wèn)為了解決該問(wèn)題，引入了自適應(yīng)差分進(jìn)化遺傳算法題，

（adaptivedifferentialevolutiongeneticalgorithm，ADEGA）。ADEGA在染色體遺傳變異時(shí)，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(jìn)化算法，時(shí)，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(gè)體樣本，最大迭代次數(shù)Tmax，迭代次數(shù)初始值g=0和適應(yīng)度目標(biāo)值fgoal；

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

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

C=

［18］

2

2．1

自適應(yīng)差分進(jìn)化遺傳小波神經(jīng)網(wǎng)絡(luò)算法

小波分析理論

對(duì)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(guān)鍵詞：基于遺傳小波神經(jīng)網(wǎng)絡(luò)的光電穩(wěn)定平臺(tái)系統(tǒng)辨識(shí)，由筆耕文化傳播整理發(fā)布。