基于RPROP-DE算法的模糊RBF网络非线性系统辨识

论文摘要

近些年来,科技的迅猛发展,使系统辨识向着更为复杂,更加严密的方向发展。模糊RBF（radial basis function,RBF）网络非线性系统辨识,融合了神经网络和模糊逻辑两者的长处,展现出了强大的非线性映射能力。但是因为训练模糊RBF网络的传统算法存在极易陷入局部极小值、早熟和辨识精度不理想等问题,所以针对这些问题进行了研究。首先,本文介绍了模糊RBF神经网络的结构以及辨识原理。针对在模糊RBF神经网络中广泛使用的最多的方法——遗传算法和BP算法存在的收敛慢、容易陷入局部极值以及辨识精度不高的缺点,提出一种基于差分进化算法（Differential Evolution Algorithm,DE）的模糊RBF网络进行非线性系统辨识的新方法。差分进化算法是一种强大的全局优化搜索方法。差分进化算法收敛快、实现简单,稳定性极强,所需领域知识少,非常适合解决复杂的寻优问题。然后,为了克服在模糊RBF网络系统辨识中梯度对网络权重变化的影响,用局部快速学习方法RPROP算法与差分进化算法组合成的——RPROP-DE算法训练模糊RBF神经网络,RPROP算法不受梯度值对权重改变的影响,而只是决定模糊RBF神经网络权值的调整方向,并将RPROP-DE算法用于系统辨识,取得了极佳的辨识性能。最后,将RPROP-DE算法和DE算法优化的辨识效果进行了比较,实验结果证明基于RPROP-DE算法的辨识误差和辨识精度都要优于DE算法优化的辨识方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 非线性系统辨识的研究现状
• 1.2 差分进化算法的研究现状
• 1.2.1 差分进化算法的发展
• 1.2.2 差分进化算法在神经网络中的应用
• 1.3 本文的主要研究内容
• 第2章 模糊RBF神经网络非线性系统辨识
• 2.1 引言
• 2.2 模糊RBF网络的拓扑结构
• 2.3 模糊RBF网络辨识原理
• 2.4 梯度下降算法实现步骤
• 2.5 模糊RBF网络非线性系统辨识仿真研究
• 2.6 小结
• 第3章 基于遗传算法的模糊RBF网络非线性系统辨识
• 3.1 引言
• 3.2 遗传算法基本原理
• 3.2.1 遗传算法基本介绍
• 3.2.2 复制
• 3.2.3 交叉
• 3.2.4 变异
• 3.2.5 遗传算法的特点
• 3.3 遗传算法优化模糊RBF网络实现步骤
• 3.4 基于GA的模糊RBF网络非线性系统辨识仿真研究
• 3.5 BP算法与遗传算法比较分析
• 3.6 小结
• 第4章 基于差分进化算法的模糊RBF网络非线性系统辨识
• 4.1 差分进化算法原理
• 4.1.1 差分进化算法基本介绍
• 4.1.2 变异
• 4.1.3 交叉
• 4.1.4 选抒
• 4.1.5 差分进化算法流程
• 4.1.6 差分进化算法的参数设置
• 4.1.7 差分进化算法的特点
• 4.2 差分进化算法的改进
• 4.3 差分进化算法训练模糊RBF网络的步骤
• 4.4 DE算法优化模糊RBF网络的非线性系统辨识仿真研究
• 4.5 几重辨识方法仿真对比分析
• 4.6 小结
• 第5章 基于RPROP-DE算法的非线性系统辨识
• 5.1 引言
• 5.2 弹性BP算法原理及其改进
• 5.3 RPROP算法的特点
• 5.4 RPROP-DE算法训练神经网络的步骤
• 5.5 RPROP-DE算法训练模糊RBF网络的仿真研究
• 5.6 DE算法与RPROP-DE算法仿真对比分析
• 5.7 小结
• 结论
• 致谢
• 参考文献
• 攻读硕士学位期间发表的学术论文