非線性系統(tǒng)辨識一直是過程控制領(lǐng)域中的熱點(diǎn)問題。而模塊化模型作為非線性模型的一種,便于操作,能夠有效擬合實(shí)際生產(chǎn)系統(tǒng),因此常用于非線性系統(tǒng)辨識中�？紤]到智能計(jì)算領(lǐng)域近年來發(fā)展飛快,成功解決了諸多非線性系統(tǒng)辨識問題,本文主要針對兩種典型的模塊化模型:Wiener模型和Hammerstein模型,結(jié)合智能優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)來研究具體辨識方案。主要內(nèi)容包括:(1)針對標(biāo)準(zhǔn)粒子群優(yōu)化算法(PSO)易早熟收斂等缺點(diǎn),通過引入早熟收斂程度評價(jià)指標(biāo),將種群分類后對其位置進(jìn)行自適應(yīng)調(diào)整,提出了一種改進(jìn)的粒子群優(yōu)化算法(MPSO)。針對標(biāo)準(zhǔn)飛蛾優(yōu)化算法(MFO)橫向定位機(jī)制的低效性,將高斯混合分布思想引入其位置更新和種群初始化中,提出了一種新型的高斯混合飛蛾優(yōu)化算法(GMFO),并通過測試函數(shù)證明了其有效性。(2)針對Wiener模型進(jìn)行研究,線性模塊用動態(tài)線性神經(jīng)元來表示,非線性模塊分別用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)來逼近,將模型表達(dá)成串聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)。將雙層優(yōu)化策略應(yīng)用到辨識中,內(nèi)層學(xué)習(xí)采用BP算法,而外層學(xué)習(xí)采用MPSO算法,之后通過對CO2濃度系統(tǒng)的辨識證明了辨識方案的有效性。(3)研究SISO H...

【文章頁數(shù)】：100 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景及意義
    1.2 本課題相關(guān)領(lǐng)域的研究現(xiàn)狀
        1.2.1 智能計(jì)算領(lǐng)域的研究現(xiàn)狀
        1.2.2 神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
        1.2.3 智能優(yōu)化算法的研究現(xiàn)狀
        1.2.4 模塊化非線性系統(tǒng)辨識的研究現(xiàn)狀
    1.3 論文研究內(nèi)容
第二章 基于改進(jìn)粒子群優(yōu)化算法的網(wǎng)絡(luò)化Wiener模型辨識
    2.1 引言
    2.2 基于神經(jīng)網(wǎng)絡(luò)的Wiener模型
        2.2.1 一般的Wiener模型
        2.2.2 基于BP網(wǎng)絡(luò)的Wiener模型
        2.2.3 基于RBF網(wǎng)絡(luò)的Wiener模型
    2.3 改進(jìn)的粒子群優(yōu)化算法
        2.3.1 標(biāo)準(zhǔn)粒子群優(yōu)化算法
        2.3.2 各個(gè)參數(shù)對算法性能的影響
        2.3.3 MPSO算法
    2.4 基于雙層優(yōu)化策略的辨識
        2.4.1 雙層優(yōu)化策略
        2.4.2 辨識過程
    2.5 仿真實(shí)例
        2.5.1 基于BP網(wǎng)絡(luò)的Wiener模型辨識
        2.5.2 基于RBF網(wǎng)絡(luò)的Wiener模型辨識
    2.6 小結(jié)
第三章 基于高斯混合飛蛾優(yōu)化算法的Hammerstein模型辨識
    3.1 引言
    3.2 問題描述
        3.2.1 單輸入單輸出Hammerstein模型
        3.2.2 FLANN的結(jié)構(gòu)
    3.3 飛蛾撲火優(yōu)化算法
    3.4 高斯混合飛蛾優(yōu)化算法
    3.5 測試函數(shù)
        3.5.1 算法參數(shù)設(shè)置
        3.5.2 實(shí)驗(yàn)結(jié)果分析
    3.6 基于GMFO算法的Hammerstein模型辨識
        3.6.1 辨識原理及流程
        3.6.2 仿真實(shí)例
    3.7 小結(jié)
第四章 重尾噪聲影響下MIMO Hammerstein模型辨識研究
    4.1 引言
    4.2 重尾噪聲
    4.3 問題公式化
        4.3.1 MIMO Hammerstein模型
        4.3.2 MIMO RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    4.4 重尾噪聲下MIMO Hammerstein模型辨識
        4.4.1 辨識過程
        4.4.2 GMFO算法在解決重尾噪聲下辨識問題的優(yōu)勢
    4.5 仿真實(shí)驗(yàn)
        4.5.1 仿真實(shí)驗(yàn)一
        4.5.2 模型驗(yàn)證
        4.5.3 仿真實(shí)驗(yàn)二
        4.5.4 模型驗(yàn)證
        4.5.5 仿真實(shí)驗(yàn)三
        4.5.6 模型驗(yàn)證
    4.6 小結(jié)
第五章 總結(jié)及展望
參考文獻(xiàn)
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者及導(dǎo)師簡介
附件



本文編號：3856826