針對非線性Wiener模型的參數(shù)辨識問題,提出了一種基于Sigmoid函數(shù)及自適應(yīng)算子改進差分進化（improved differential evolution algorithm with Sigmoid function and adaptive mutation operator,SADE）算法的參數(shù)辨識方法。利用Sigmoid函數(shù)及自適應(yīng)變異算子改進了基本差分進化算法的變異操作部分,改進的方法能夠有效地克服基本差分進化算法的過早收斂和不穩(wěn)定性等缺點。將該改進差分進化算法應(yīng)用于對非線性Wiener模型的參數(shù)辨識問題,達到了較高的辨識精度。在仿真試驗中,與其它已有方法進行比較,仿真結(jié)果說明了所給的參數(shù)辨識方法是合理和有效的。 

【文章來源】：系統(tǒng)仿真學(xué)報. 2016,28(01)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
引言
1 基本DE算法
2 SADE算法及數(shù)值仿真
    2.1 SADE算法描述
    2.2 數(shù)值仿真
        (1) Griewank函數(shù):
        (2) Rastrigrin函數(shù):
3 辨識Wiener模型
    3.1 問題描述
    3.2 應(yīng)用SADE算法辨識Wiener模型
    3.3 數(shù)值仿真
4 結(jié)論


【參考文獻】：
期刊論文
[1]基于魯棒優(yōu)化的系統(tǒng)辨識算法研究[J]. 錢富才,黃姣茹,秦新強.  自動化學(xué)報. 2014(05)
[2]熱工系統(tǒng)Hammerstein-Wiener模型辨識[J]. 劉長良,任燕燕,王東風(fēng),孟麗.  計算機仿真. 2013(09)
[3]改進自適應(yīng)差分進化算法求解大規(guī)模整數(shù)任務(wù)分配[J]. 王永皎.  計算機應(yīng)用. 2012(08)
[4]基于Wiener模型的pH中和過程非線性DMC控制[J]. 馬海芳,朱凌云,王富強.  化工自動化及儀表. 2010(09)
[5]非線性動態(tài)系統(tǒng)的Wiener神經(jīng)網(wǎng)絡(luò)辨識法[J]. 吳德會.  控制理論與應(yīng)用. 2009(11)
[6]基于PSO算法的系統(tǒng)辨識方法[J]. 徐小平,錢富才,劉丁,王峰.  系統(tǒng)仿真學(xué)報. 2008(13)
[7]一種非線性系統(tǒng)多項式逼近的建模方法[J]. 羅秋濱,李秀英,韓志剛,馮汝鵬.  系統(tǒng)仿真學(xué)報. 2008(04)
[8]基于粒子群優(yōu)化的Wiener模型辨識與實例研究[J]. 張艷,李少遠,王笑波,周堅剛.  控制理論與應(yīng)用. 2006(06)
[9]非線性系統(tǒng)Wiener模型辨識[J]. 胡德文,王正志.  自動化學(xué)報. 1991(02)



本文編號：3641893