论文部分内容阅读
系统辨识是控制领域研究的一个重要内容,而非线性系统的辨识更是其中的难点和热点。人工神经网络的提出,为复杂的非线性系统的辨识开辟了新的路径。常见的神经网有很多,其中以BP网络最为熟知,但作为一种多层前向静态网络,BP网络自身存在很多缺陷。对角递归神经网络(DRNN)是一种具有反馈环节的动态网络,它通过储存内部状态使其具备映射动态特征的功能,更适合于非线性动态系统的辨识。学习算法是系统辨识研究的核心问题,传统的BP算法,即梯度下降法,已经无法满足对辨识精度和收敛速度的要求。为此,人们也进行了各种算法的改进与研究,并取得了一定的成果。为了进一步提高辨识精度和收敛速度,本文采用DRNN网络和差分进化(DE)算法进行了非线性系统辨识的研究。本文首先对神经网络系统辨识、差分进化的国内外研究现状进行了综述和分析,指出了本课题需要解决的问题,同时给出了研究思路及研究意义。介绍了DRNN神经网络的基本模型和辨识原理,并以DRNN为训练网络,分别采用基本BP算法、改进BP算法和遗传算法(GA)作为系统辨识的学习算法,对两个典型的非线性系统进行系统辨识,通过Matlab仿真实验比较了三种算法的性能指标,结果表明,GA算法的辨识结果要明显优于另外两种算法。其次,为了进一步提高辨识精度将新的学习算法——DE算法引入DRNN神经网络的学习,并分别对DE算法的三种不同的策略进行了分析比较,结合三种策略各自的优点,提出了混合策略的DE算法,经过Benchmark函数测试,验证了混合策略DE算法的有效性,将其应用于非线性系统的辨识,辨识精度和收敛速度要优于GA算法。最后,针对DE这种全局搜索算法的缺陷,引入了Memetic技术的思想,加入了Simplex局部搜索策略,得到改进的DE算法——DE-Simplex算法,将它的Benchmark函数测试结果与DE算法的进行了比较,发现DE-Simplex算法的测试结果有明显提高,验证了DE-Simplex算法有效性。接着进行了基于DE-Simplex算法的非线性系统辨识仿真研究,通过几种算法仿真实验结果的对比,表明所提出的DE-Simplex算法的辨识精度和收敛速度都得到了进一步的提高。