基于遗传算法优化RBF神经网络控制器

论文摘要

径向基函数（Radial Basis Function, RBF）神经网络是一种具有单隐层的三层前馈神经网络,具有网络结构简单、学习能力快、逼近性能强、无局部极小等特点,广泛应用于函数逼近、模式分类、信号处理、系统辨识等领域。RBF神经网络具有模拟人脑中局部调整、相互覆盖接收域的神经网络结构,能以任意精度逼近任一连续函数。本文主要对RBF神经网络的学习算法及结构设计方法进行了研究,基于遗传算法设计一个性能优良的控制器。遗传算法是模拟生物在自然界的遗传和进化而形成的一种自适应优化概率搜索算法,它的思想源于生物遗传学和适者生存的自然规律,是具有“生存+检测”迭代过程的搜索算法。但是遗传算法参数的选择带有主观性,收敛速度慢,并且容易陷入早熟收敛。为解决这些问题,本文提出了一种基于改进的遗传算法的RBF神经网络学习算法。改进的遗传算法通过引入最佳保留机制,自适应交叉概率,顺序比较以及粒子群算法的位置更新原理,克服了基本遗传算法的早熟现象,提高了网络的收敛精度和速度,使RBF神经网络控制器全局搜寻权值最优解,从而得到理想的控制效果。最后,以二级倒立摆为被控对象,采用改进的遗传算法优化RBF神经网络,并搭建设计RBF神经网络控制器模块,通过Matlab仿真和实际控制实验验证控制器的控制性能。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及研究意义
• 1.2 RBF 神经网络及其特点
• 1.2.1 人工神经网络的特点
• 1.2.2 RBF 神经网络特点
• 1.2.3 RBF 神经网络的研究现状
• 1.3 本文研究内容
• 第2章 径向基函数神经网络的基本理论
• 2.1 RBF 神经网络的原理
• 2.1.1 RBF 神经网络结构
• 2.1.2 RBF 神经网络的数学基础
• 2.1.3 正则化网络
• 2.2 RBF 神经网络的学习算法
• 2.2.1 基函数中心确定方法
• 2.2.2 遗传算法
• 2.3 本章小结
• 第3章 RBF 神经网络控制器的优化
• 3.1 遗传算法优化RBF 神经网络控制器的参数
• 3.2 粒子群算法位置更新原理
• 3.3 改进的遗传算法
• 3.4 本章小结
• 第4章 RBF 神经网络控制器仿真研究
• 4.1 二级倒立摆的系统描述
• 4.2 RBF 神经网络网络的训练
• 4.2.1 网络结构的确定
• 4.2.2 网络的训练步骤及结果
• 4.3 RBF 神经网络对二级倒立摆的控制
• 4.3.1 控制器的仿真研究
• 4.3.2 控制器的最优值研究
• 4.3.3 控制器抗干扰能力研究
• 4.4 实验结构及其分析
• 4.5 本章小结
• 结论
• 参考文献
• 附录
• 攻读学位期间发表的学术论文
• 致谢