本文在詳細(xì)分析了布谷鳥算法(CS)的特點(diǎn)之后,根據(jù)相關(guān)應(yīng)用背景,對(duì)布谷鳥算法(CS)進(jìn)行了一系列改進(jìn)。仿真實(shí)驗(yàn)證實(shí)了改進(jìn)布谷鳥算法(CS)的有效性,并將改進(jìn)算法應(yīng)用于非線性Hammerstein模型辨識(shí)。具體內(nèi)容如下:(1)首先詳細(xì)介紹了近十年來發(fā)展迅速的布谷鳥算法(CS),布谷鳥算法(CS)是一種新型群智能尋優(yōu)算法。通過詳細(xì)分析布谷鳥算法(CS)的工作原理,了解到布谷鳥算法(CS)作為一種群智能尋優(yōu)算法,產(chǎn)生新解的方式是levy飛行。本文依據(jù)不同的系統(tǒng)辨識(shí)需求提出了兩種改進(jìn)的布谷鳥算法TTCS和GMDA,并將其作為相應(yīng)系統(tǒng)辨識(shí)參數(shù)尋優(yōu)的強(qiáng)有力的工具。(2)針對(duì)于單輸入單輸出的非線性Hammerstein模型進(jìn)行研究。以往大多數(shù)非線性Hammerstein模型的研究多數(shù)為基于解析方法,研究難度大,尤其非線性部分本身很難提煉出解析解。針對(duì)這類問題,本文嘗試?yán)媚K化非線性系統(tǒng)辨識(shí)方法,提出利用函數(shù)連接型神經(jīng)網(wǎng)絡(luò)(FLANN)來近似Hammerstein模型的非線性部分。相應(yīng)的,為了對(duì)上述提出的模塊化模型參數(shù)進(jìn)行辨識(shí),本文提出利用一種典型重尾分布學(xué)生t分布以及由學(xué)生t分布產(chǎn)生的在區(qū)間(0,1)之間的序列來對(duì)布谷鳥算法進(jìn)行改進(jìn)。文章第三章的仿真實(shí)例證實(shí)了改進(jìn)算法(TTCS)在處理單輸入單輸出Hammerstein模型參數(shù)辨識(shí)時(shí)的有效性。(3)針對(duì)重尾噪聲影響下多輸入多輸出系統(tǒng)Hammerstein模型的辨識(shí)問題進(jìn)行研究。以往系統(tǒng)辨識(shí)問題多數(shù)是在白噪聲及基于白噪聲的有色噪聲假設(shè)下進(jìn)行研究。近年來研究發(fā)現(xiàn)在一些復(fù)雜工業(yè)問題中,將噪聲假設(shè)為高斯噪聲類,相對(duì)來說顯得有些過于保守了。不少的研究發(fā)現(xiàn),一些系統(tǒng)中有離群點(diǎn)的出現(xiàn)。然而針對(duì)于此類非高斯噪聲影響下的非線性系統(tǒng)辨識(shí)尚沒有比較統(tǒng)一的解析方法。本文嘗試采取模塊化系統(tǒng)辨識(shí)方法,利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò),將此類辨識(shí)問題轉(zhuǎn)化為一種參數(shù)優(yōu)化問題。利用本文提出的一種改進(jìn)的布谷鳥算法(GMDA)來解決上述優(yōu)化問題。文中第四章的仿真實(shí)例證實(shí)了 GMDA在解決此類問題時(shí)的有效性(4)探索了利用智能尋優(yōu)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的可能性。在(2)和(3)中,對(duì)于函數(shù)連接型神經(jīng)網(wǎng)絡(luò)(FLANN)和徑向基(RBF)神經(jīng)網(wǎng)絡(luò)訓(xùn)練沒有采用傳統(tǒng)的梯度下降算法,而是將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練轉(zhuǎn)化為參數(shù)尋優(yōu)問題,從而將以往需要憑人工經(jīng)驗(yàn)給出的相關(guān)參數(shù)也轉(zhuǎn)化為了可以利用智能尋優(yōu)算法訓(xùn)練的值。降低了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的難度,減小了訓(xùn)練復(fù)雜度。
【學(xué)位單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP18;N945.14
【部分圖文】：

實(shí)例1:TTCS.CS.PSO和ICS的MSE指標(biāo)的收斂曲線

圖３－６實(shí)例１：１模型輸出曲對(duì)比２虛線方框的部的放大逡逑

圖３－１２實(shí)例２：邋（１）模型輸出曲線對(duì)比（２）虛線方框的部分的放大逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 馬竹根;;智能水滴算法研究[J];計(jì)算機(jī)與數(shù)字工程;2014年06期

2 賈立;李訓(xùn)龍;;Hammerstein模型辨識(shí)的回顧及展望[J];控制理論與應(yīng)用;2014年01期

3 吳虎勝;張鳳鳴;吳廬山;;一種新的群體智能算法——狼群算法[J];系統(tǒng)工程與電子技術(shù);2013年11期

4 丁鋒;;系統(tǒng)辨識(shí)(6):多新息辨識(shí)理論與方法[J];南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

5 王冬青;丁鋒;;基于輔助模型的多新息廣義增廣隨機(jī)梯度算法[J];控制與決策;2008年09期

6 周東華,DingX;容錯(cuò)控制理論及其應(yīng)用[J];自動(dòng)化學(xué)報(bào);2000年06期

7 劉向杰,周孝信,柴天佑;模糊控制研究的現(xiàn)狀與新發(fā)展[J];信息與控制;1999年04期

相關(guān)博士學(xué)位論文 前2條

1 蔣北艷;復(fù)雜系統(tǒng)新型內(nèi)模控制方法的研究[D];北京化工大學(xué);2015年

2 任燕燕;基于智能計(jì)算的非線性系統(tǒng)辨識(shí)算法研究及其應(yīng)用[D];華北電力大學(xué);2014年

本文編號(hào)：2810204