前馈神经网络的BP-GA混合学习算法及其在非线性控制领域中的应用

摘要

前馈神经网络由于其潜在的并行性和高度非线性的特性,为非线性控制领域开辟了一条新的研究和应用途径.然而,传统前馈神经网络学习算法(BP算法)训练速度慢且容易陷入局部解的缺点,使前馈神经网络的应用受到了严重的限制.多年来,许多研究人员对前馈神经网络的BP算法做了大量的研究工作,形成了改进的BP算法,使网络的训练速度有了提高,但仍未能从根本上解决陷入局部解的问题.为进一步改善前馈神经网络的学习性能,在深入分析的基础上,该文首先对另一种优化算法--遗传算法(GA)进行了改进,然后将新设计的改进遗传算法和已有的改进BP算法有机结合,提出了一类新型的BP-GA混合学习算法,该类混合学习算法兼顾了GA的全局收敛特性和BP算法快速的局部收敛能力,使算法既有较快的收敛速度又不易陷入局部解.仿真结果表明该文提出的BP-GA混合学习算法在前馈神经网络的权值训练中比标准BP算法及改进的BP算法在训练速度和训练精度上都有较大的提高,并且较好地解决了BP算法陷入局部解的问题.另外,为进一步验证算法的有效性,该文还通过将前馈神经网络及其新设计的BP-GA混合算法应用于非线性系统辨识和反馈线性化,大大地改善了非线性系统的控制性能,为非线性系统的神经网络控制提供了一种新途径.

目录

文摘

英文文摘

第1章引言

1.1论文研究的意义和目的

1.2论文研究的主要内容及成果

第2章前馈神经网络及BP学习算法

2.1神经元及多层前馈神经网络

2.2BP学习算法的数学描述

2.3BP网络的设计

2.4BP网络的学习过程

2.5BP算法的主要缺点

2.6BP算法的改进

第3章遗传算法及其改进

3.1标准遗传算法

3.2遗传算法的特点及主要缺点

3.3遗传算法改进策略的研究现状

3.4一种新型改进遗传算法

第4章一类新型的BP-GA混合学习算法

4.1遗传算法与神经网络的结合

4.2遗传算法用于BP网络的权值训练

4.3一类新型的BP-GA混合算法

第5章前馈神经网络在非线性控制领域中的应用

5.1神经网络在非线性控制领域中的意义及应用

5.2非线性系统辨识实例

5.3反馈线性化实例

结束语

参考文献

附录程序清单

cross arithmetic.m程序清单

cross_bpwb.m程序清单

cross_fnnwb.m程序清单

cross_heuristic_new.m程序清单

cross_one_point.m程序清单

decode_bin.m程序清单

decode_fnnwb.m程序清单

encode_fnnwb.m程序清单

fitness.m程序清单

fitness_new.m程序清单

functionl.m程序清单

function2.m程序清单

gabin_function_std.m程序清单

gareal_bp_fnnwb_new.m程序清单

gareal_bpx_fnnwb_new.m程序清单

gareal_fnnwb.m程序清单

gareal_function.m程序清单

gareal_function_new.m程序清单

mutate_bin.m程序清单

mutate_bpwb.m程序清单

mutate_fnnwb.m程序清单

mutate_nonuniform.m程序清单

mutate_nonuniform_new.m程序清单

reproduct_wheele.m程序清单

致谢

原创性声明