基于改进BBO算法的DRNN网络非线性系统辨识

摘要

非线性系统辨识问题一直是控制领域研究的热点和难点。递归神经网络因其特有的反馈特性更适用于非线性动态系统辨识。在递归神经网络中，对角递归神经网络(Diagonal Recurrent Neural Network，DRNN)可以更直接的反映系统的动态特性，简单易实现，又有适应时变特性的能力。但是训练DRNN网络最常用的BP算法存在辨识精度不高且收敛速度慢等问题，不少学者提出了改进算法，并有了一定的研究成果。为了进一步的提高收敛速度以及辨识精度，本文采用改进的生物地理学优化算法进行对角递归神经网络非线性系统辨识研究。
　　 本文引入生物地理学优化算法(Biogeography-Based Optimization，BBO)训练对角递归神经网络初始权值。为了验证生物地理学优化算法用于训练对角递归神经网络的有效性，分别采用基于BP算法、遗传算法(Genetic Algorithm，GA)、BBO算法的DRNN网络进行非线性系统辨识。将各辨识结果进行比较得出:基于BBO算法的辨识误差以及辨识精度均要好于BP算法以及GA算法，表明了基于BBO算法的DRNN网络非线性系统辨识的有效性。
　　 针对生物地理学优化算法搜索能力弱、易出现早熟现象、易陷入局部最优等缺点，采用差分进化算法(Differential Evolution Algorithm，DE)的差分变异算子与BBO算法的迁移算子相结合，得到混合BBO-DE算法优化DRNN网络初始权值。通过与BBO算法以及DE算法对比分析，表明基于BBO-DE算法的DRNN网络非线性系统辨识是有效的。
　　 为了进一步增强BBO-DE算法的搜索能力，采用一种基于非均匀变异算子的BBO-DE算法（简称nDEBBO算法）。采用nDEBBO算法优化DRNN网络初始权值，为了表明基于nDEBBO算法的DRNN网络非线性系统辨识的优越性，将其与BBO-DE算法以及文献20所提出的DE-Simplex算法进行对比分析。
　　 最后，在训练DRNN网络过程中，为避免梯度大小对网络权值改变的影响，采用RPROP算法与nDEBBO算法相结合得到R-nDEBBO算法，将该算法训练DRNN网络，并应用于非线性系统辨识。通过与nDEBBO算法对比分析，验证其优越性，而且RPROP算法的引入，缩短了训练时间。

目录

声明

摘要

缩略语表

第1章 绪论

1．1 引言

1．2 DRNN网络非线性系统辨识的研究现状

1．3 生物地理学算法研究现状

1．4 本文的主要内容

第2章 基于DRNN网络的非线性系统辨识

2．1 DRNN网络概述

2．1．1 DRNN网络结构

2．1．2 DRNN网络的辨识

2．2 基本的BP算法

2．2．1 BP算法的基本原理

2．2．2 BP算法的实现步骤

2．2．3 仿真实验

2．3 遗传算法优化DRNN网络

2．3．1 遗传算法基本原理

2．3．2 遗传算法优化DRNN网络实现步骤

2．3．3 仿真实验

2．4 小结

第3章 基于BBO算法的DRNN网络非线性系统辨识

3．1 BBO算法

3．1．1 生物地理学算法基本原理

3．1．2 生物地理学算法的迁移模型

3．1．3 生物地理学算法基本操作

3．2 BBO算法优化DRNN网络的具体实现步骤

3．3 仿真实验

3．3．1 BBO算法实验仿真

3．3．2 三种算法比较分析

3．4 小结

第4章 基于改进BBO算法的DRNN网络非线性系统辨识

4．1 引言

4．2 DE算法

4．2．1 DE算法基本操作

4．2．2 DE算法变异策略

4．3 基于BBO-DE算法的非线性系统辨识

4．3．1 混合迁移操作

4．3．2 BBO-DE算法的实现步骤

4．3．3 BBO-DE算法训练DRNN网络实现步骤

4．3．4 仿真实验

4．4 基于nDEBBO算法的非线性系统辨识

4．4．1 非均匀变异算子

4．4．2 nDEBBO算法优化DRNN网络

4．4．3 仿真实验

4．5 基于R-nDEBBO算法的非线性系统辨识

4．5．1 RPROP算法

4．5．2 RPROP算法的基本原理

4．5．3 RPROP算法的实现步骤

4．5．4 R-nDEBBO算法训练DRNN网络实现步骤

4．5．5 仿真实验

4．6 小结

结论

致谢

参考文献

攻读硕士学位期间发表的论文