近年來,由于智能優(yōu)化算法具有較強(qiáng)的搜索能力而得到了廣泛的應(yīng)用,現(xiàn)已成為了研究的熱點(diǎn)問題。本文將智能優(yōu)化算法應(yīng)用于受重尾噪聲干擾下的非線性系統(tǒng)辨識研究中,首先對于原始樽海鞘算法（SSA）、灰狼算法（GWO）進(jìn)行改進(jìn)。仿真實(shí)驗(yàn)結(jié)果表明改進(jìn)后的算法能夠有效改善原算法的收斂精度等性能,并將改進(jìn)后的算法應(yīng)用于非線性MIMO Hammerstein、Hammerstein-Wiener模型的辨識中。主要研究內(nèi)容如下:（1）首先介紹了一種新型智能優(yōu)化算法樽海鞘算法（SSA）。針對樽海鞘算法容易陷入局部最優(yōu)、收斂精度差等缺陷,本文通過引入Kent混沌映射、自適應(yīng)位置更新等改進(jìn)提出了混沌樽海鞘算法（CSSA）,通過測試函數(shù)仿真對其性能進(jìn)行了驗(yàn)證,仿真結(jié)果表明CSSA算法性能有了較大提高,能夠有效滿足辨識的需要。（2）接下來又介紹了一種應(yīng)用廣泛的灰狼優(yōu)化算法（GWO）。本文通過引入自適應(yīng)位置更新公式、Levy飛行策略等改進(jìn)提出了萊維灰狼算法（LGWO）,通過測試函數(shù)仿真對其性能進(jìn)行了驗(yàn)證,仿真結(jié)果表明LGWO算法的收斂精度、速度、穩(wěn)定性方面都有了較大提高,能夠滿足后續(xù)辨識研究要求。（3）將本文提出的CSS... 

【文章頁數(shù)】：108 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究目的與意義
    1.2 課題相關(guān)領(lǐng)域研究現(xiàn)狀
        1.2.1 智能優(yōu)化算法研究現(xiàn)狀
        1.2.2 系統(tǒng)辨識研究現(xiàn)狀
        1.2.3 重尾噪聲下辨識研究現(xiàn)狀
    1.3 本文主要工作
第二章 非線性模型結(jié)構(gòu)與辨識基礎(chǔ)
    2.1 引言
    2.2 非線性模型簡介
        2.2.1 Hammerstein模型
        2.2.2 Wiener模型
        2.2.3 Hammerstein-Wiener、Wiener-Hammerstein模型
        2.2.4 常見非線性特性
    2.3 常見非線性系統(tǒng)辨識方法
    2.4 常見重尾噪聲
    2.5 本文相關(guān)優(yōu)化算法研究現(xiàn)狀
        2.5.1 樽海鞘算法研究現(xiàn)狀
        2.5.2 灰狼優(yōu)化算法研究現(xiàn)狀
    2.6 小結(jié)
第三章 基于改進(jìn)樽海鞘算法的重尾噪聲下MIMO Hammerstein系統(tǒng)辨識研究
    3.1 引言
    3.2 樽海鞘算法
        3.2.1 樽海鞘算法的生物起源
        3.2.2 樽海鞘算法流程
    3.3 混沌樽海鞘算法
    3.4 混沌樽海鞘算法性能驗(yàn)證
        3.4.1 測試函數(shù)性能對比
        3.4.2 算法運(yùn)算時間分析
        3.4.3 算法魯棒性分析
        3.4.4 算法的參數(shù)敏感性分析
    3.5 重尾噪聲下的MIMO Hammerstein系統(tǒng)辨識研究
        3.5.1 MIMO Hammerstein系統(tǒng)建模
        3.5.2 CSSA算法辨識步驟
        3.5.3 系統(tǒng)辨識仿真實(shí)例
    3.6 小結(jié)
第四章 基于改進(jìn)灰狼算法的重尾噪聲下MIMO Hammerstein-Wiener系統(tǒng)辨識研究
    4.1 引言
    4.2 灰狼優(yōu)化算法
        4.2.1 灰狼優(yōu)化算法的生物起源
        4.2.2 灰狼優(yōu)化算法流程
    4.3 萊維灰狼優(yōu)化算法
    4.4 萊維灰狼算法性能驗(yàn)證
        4.4.1 最優(yōu)Limit值研究
        4.4.2 測試函數(shù)性能對比
        4.4.3 算法魯棒性分析
    4.5 重尾噪聲下的MIMO H-W系統(tǒng)辨識研究
        4.5.1 MIMO H-W系統(tǒng)建模
        4.5.2 LGWO算法辨識步驟
        4.5.3 系統(tǒng)辨識仿真實(shí)例
    4.6 小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者和導(dǎo)師簡介
附件


【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)灰狼算法及其應(yīng)用[J]. 袁巖,曹萃文.  計(jì)算機(jī)工程與設(shè)計(jì). 2020(02)
[2]一種改進(jìn)的遞推極大似然法[J]. 趙永磊,張冉,王鐵成.  工業(yè)技術(shù)與職業(yè)教育. 2018(04)
[3]系統(tǒng)辨識（6）:多新息辨識理論與方法[J]. 丁鋒.  南京信息工程大學(xué)學(xué)報(自然科學(xué)版). 2012(01)
[4]人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識綜述[J]. 茹菲,李鐵鷹.  軟件導(dǎo)刊. 2011(03)
[5]系統(tǒng)辨識（1）:辨識導(dǎo)引[J]. 丁鋒.  南京信息工程大學(xué)學(xué)報(自然科學(xué)版). 2011(01)
[6]基于MATLAB的最小二乘法參數(shù)辨識與仿真[J]. 石賢良,吳成富.  微處理機(jī). 2005(06)
[7]關(guān)于模糊系統(tǒng)辨識近年來的研究與發(fā)展[J]. 王輝,肖建,嚴(yán)殊.  信息與控制. 2004(04)
[8]基于擴(kuò)展粒子群優(yōu)化算法的同步發(fā)電機(jī)參數(shù)辨識[J]. 胡家聲,郭創(chuàng)新,曹一家.  電力系統(tǒng)自動化. 2004(06)
[9]二階加延時模型的階躍響應(yīng)辨識方法[J]. 全亞斌,張衛(wèi)東,許曉鳴.  控制理論與應(yīng)用. 2002(06)
[10]一種非線性時變系統(tǒng)小波網(wǎng)絡(luò)辨識算法[J]. 劉建春,王正歐.  系統(tǒng)工程學(xué)報. 2002(05)

博士論文
[1]輸入非線性系統(tǒng)的多新息辨識方法[D]. 毛亞文.江南大學(xué) 2019
[2]Hammerstein非線性系統(tǒng)辨識算法研究[D]. 馬亮.浙江大學(xué) 2017



本文編號：3672527