基于遗传算法优化神经网络的混沌控制方法

摘要

混沌和混沌控制的研究具有重要的理论和工程实用价值.该论文提出了一种新的基于遗传算法优化神经网络的混沌控制方法(Controlling Chaos by NeuralNetworks Based 0n Genetic Algorithms),简称GANN控制方法.遗传算法因其所具有的全局随机搜索能力,可利用来优化神经网络的结构参数;而神经网络具有强大的非线性逼近能力,经过学习训练可以产生小扰动时间序列信号,以便控制动力系统的混沌吸引子到达目标周期轨道.神经网络的训练全部采用无监督的学习策略,因此无需预先了解系统知识.在一些实际的物理系统中,要确定混沌系统的关键参数是困难的,因而该方法能适应更普遍的应用场合.另外,该文详细分析了GANN算法的收敛性,并给出了数学证明;将GANN方法应用到Henon映射和Logistic映射进行了计算机仿真实验,仿真结果表明GANN方法对控制混沌有效.该论文所做的主要工作如下:(1)描述了混沌的基本概念和控制混沌的基本方法,并对这一前沿学科领域的最新研究成果进行了综述;(2)把具有全局优化能力的遗传算法应用于神经网络的学习,提出了一种控制混沌系统的新方法,即GANN控制方法;(3)分析了GANN控制系统的收敛性,给出了数学证明;(4)提出了一种新的改进的自适应遗传算法,对这种群体规模可以自适应变化的演化算法,从理论上给出了详细的阐述,并提出了

目录

文摘

英文文摘

第1章绪论

1.1研究背景及意义

1.2混沌控制的研究内容及意义

1.3本文研究内容

第2章混沌与混沌控制

2.1混沌的基本概念

2.2混沌控制的基本方法

2.3 GANN混沌控制系统的工作原理及其特点

2.4 GANN控制器的收敛性分析

2.4.1多层前馈网络的收敛性分析

2.4.2径向基函数神经网络的收敛性分析

2.4.3遗传算法的收敛性分析

2.4.4 GANN系统的全局收敛性分析

2.5本章小结

第3章遗传算法及其改进

3.1遗传算法的基本理论及其搜索策略

3.2遗传算法的改进

3.3一种群体规模可变的自适应遗传算法

3.4多峰函数求极值问题的实验仿真

3.5本章小结

第4章基于多层前馈神经网络的GANN方法控制混沌

4.1多层前馈神经网络与反向传播学习算法

4.2 MFF-GANN控制系统及其学习算法

4.3实验仿真结果与分析

4.4本章小结

第5章基于RBF网络的GANN方法控制混沌

5.1RBF神经网络

5.1.1插值问题

5.1.2正规化问题

5.1.3正规化问题的逼近解及GRBF网络

5.2 RBF网络的一般学习方法

5.2.1随机选取中心法(直接计算法)

5.2.2自组织学习选取中心法

5.2.3有监督学习选取中心法

5.2.4正交最小二乘法选取中心

5.3 RBF-GANN控制系统及其学习算法

5.3.1K-均值聚类法确定中心

5.3.2 K-最小邻近值法确定宽度

5.3.3遗传算法产生输出权值矩阵

5.4实验仿真结果与分析

5.5本章小结

第6章结束语

参考文献

攻读硕士学位期间论文发表、项目研究的情况

致谢