非線性系統(tǒng)辨識(shí)一直是信號(hào)處理和控制理論的研究熱點(diǎn)和難點(diǎn)。模糊RBF （Radial Basis Function, RBF）神經(jīng)網(wǎng)絡(luò)結(jié)合了RBF神經(jīng)網(wǎng)絡(luò)和模糊推理的優(yōu)點(diǎn),具有強(qiáng)大的數(shù)據(jù)處理能力和非線性映射能力。但是梯度下降算法存在著收斂速度慢、易陷入局部最優(yōu)等問(wèn)題。結(jié)合幾種智能進(jìn)化算法,尋求辨識(shí)效果更好的訓(xùn)練算法是本文的主要研究?jī)?nèi)容。針對(duì)梯度下降算法存在的問(wèn)題,采用幾種智能進(jìn)化算法對(duì)模糊RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為了對(duì)比不同智能進(jìn)化算法辨識(shí)效果的優(yōu)劣,本文分別將遺傳算法（Genetic Algorithm, GA）、差分進(jìn)化算法（Differential Evolution, DE）和粒子群算法（Particle Swarm Optimization, PSO）用于模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)。仿真結(jié)果表明,三種算法中,粒子群算法具有較優(yōu)的辨識(shí)效果,其次為差分進(jìn)化算法。為了克服差分進(jìn)化算法搜索停滯等缺陷,采用一種基于Memetic算法思想的改進(jìn)差分進(jìn)化算法（Chaotic Differential Evolution, C-DE）對(duì)模糊RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,該算法利用混沌局部搜索和... 

【文章來(lái)源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)的研究現(xiàn)狀及意義
    1.2 幾種智能進(jìn)化算法的研究現(xiàn)狀
        1.2.1 差分進(jìn)化算法(Differential Evolution,DE)
        1.2.2 粒子群算法(Particle Swarm Optimization,PSO)
    1.3 本文的主要內(nèi)容
第2章 基于幾種智能進(jìn)化算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)
    2.1 模糊RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
    2.2 模糊RBF神經(jīng)網(wǎng)絡(luò)辨識(shí)原理
    2.3 基于遺傳算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)
        2.3.1 遺傳算法的原理
        2.3.2 遺傳算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟
        2.3.3 基于遺傳算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)仿真
    2.4 基于差分進(jìn)化算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)
        2.4.1 差分進(jìn)化算法的原理
        2.4.2 差分進(jìn)化算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟
        2.4.3 基于差分進(jìn)化算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)仿真
    2.5 基于粒子群算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)
        2.5.1 粒子群算法的原理
        2.5.2 粒子群算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟
        2.5.3 基于粒子群算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)仿真
    2.6 仿真對(duì)比分析
    2.7 本章小結(jié)
第3章 基于C-DE算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)
    3.1 引言
    3.2 Memetie算法簡(jiǎn)介
        3.2.1 Memetie算法的基本思想
        3.2.2 Memetie算法的流程
    3.3 基于Memetic算法的混沌差分進(jìn)化算法
        3.3.1 差分進(jìn)化算法的參數(shù)自適應(yīng)策略
        3.3.2 混沌搜索
        3.3.3 C-DE算法的步驟
    3.4 C-DE算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟
    3.5 基于C-DE算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)仿真
    3.6 仿真對(duì)比分析
    3.7 本章小結(jié)
第4章 基于C-PSODE算法的模糊RBF神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)
    4.1 引言
    4.2 C-PSODE算法的原理
        4.2.1 PSO與DE結(jié)合的可行性分析
        4.2.2 C-PSODE算法的實(shí)現(xiàn)步驟
    4.3 C-PSODE算法訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟
    4.4 基于C-PSODE算法的模糊RBF網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)仿真
    4.5 仿真對(duì)比分析
    4.6 本章小結(jié)
結(jié)論與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于差分進(jìn)化的生物地理學(xué)優(yōu)化算法[J]. 葉開(kāi)文,劉三陽(yáng),高衛(wèi)峰.  計(jì)算機(jī)應(yīng)用. 2012(11)
[2]基于混沌和差分進(jìn)化的混合粒子群優(yōu)化算法[J]. 劉建平.  計(jì)算機(jī)仿真. 2012(02)
[3]基于改進(jìn)差分進(jìn)化算法的在線軌跡優(yōu)化[J]. 韓敏,王明慧,范劍超.  控制與決策. 2012(02)
[4]基于混沌DNA遺傳算法的模糊遞歸神經(jīng)網(wǎng)絡(luò)建模[J]. 陳霄,王寧.  控制理論與應(yīng)用. 2011(11)
[5]基于改進(jìn)PSO和DE的混合算法[J]. 易文周,張超英,王強(qiáng),許亞梅,周金玲.  計(jì)算機(jī)工程. 2010(10)
[6]一種改進(jìn)的動(dòng)態(tài)聚類非線性系統(tǒng)辨識(shí)算法[J]. 王亞靜,劉福才,張艷欣,董媛媛.  控制工程. 2010(S2)
[7]非線性系統(tǒng)辨識(shí)方法研究[J]. 徐小平,錢富才,王峰.  計(jì)算機(jī)工程與應(yīng)用. 2010(06)
[8]改進(jìn)自適應(yīng)變空間差分進(jìn)化算法[J]. 姚峰,楊衛(wèi)東,張明,李仲德.  控制理論與應(yīng)用. 2010(01)
[9]自適應(yīng)變尺度混沌免疫優(yōu)化算法及其應(yīng)用[J]. 楊海東,鄂加強(qiáng).  控制理論與應(yīng)用. 2009(10)
[10]分工差分進(jìn)化算法[J]. 姜立強(qiáng),劉光斌,郭錚.  小型微型計(jì)算機(jī)系統(tǒng). 2009(07)

碩士論文
[1]基于RPROP-SVR混合算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)[D]. 王曉燕.西南交通大學(xué) 2009
[2]基于層遞式模糊神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)[D]. 林宇峰.東北大學(xué) 2008



本文編號(hào)：3309886