基于RPROP-SVR混合算法的DRNN網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí).pdf

1、非線性系統(tǒng)辨識(shí)是控制理論研究的難點(diǎn)和熱點(diǎn)。利用對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜的非線性系統(tǒng)的模型進(jìn)行辨識(shí)時(shí)，可通過(guò)調(diào)整內(nèi)部神經(jīng)元的權(quán)值來(lái)實(shí)現(xiàn)非線性系統(tǒng)的動(dòng)態(tài)映射，表現(xiàn)出了很強(qiáng)的動(dòng)態(tài)映射能力，同時(shí)使得網(wǎng)絡(luò)權(quán)值調(diào)節(jié)的計(jì)算量很小。但是由于現(xiàn)有的用于訓(xùn)練對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法存在收斂速度慢、辨識(shí)精度不夠理想的缺點(diǎn)，因此本文針對(duì)這一問(wèn)題進(jìn)行了探討和研究。 本文首先針對(duì)在對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)中廣泛采用的DBP算法的辨識(shí)誤差較大且收斂速度慢的缺點(diǎn)，分別

2、采用了Lyapunov函數(shù)算法和遺傳算法作為改進(jìn)算法訓(xùn)練對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)。并對(duì)DBP算法、Lyapunov函數(shù)算法及遺傳算法的辨識(shí)效果進(jìn)行了比較，仿真結(jié)果表明基于Lyapunov函數(shù)算法的辨識(shí)誤差和辨識(shí)精度都要優(yōu)于DBP算法和遺傳算法，其辨識(shí)誤差最小，且收斂速度最快。 其次，為了避免在Lyapunov函數(shù)算法中梯度大小對(duì)網(wǎng)絡(luò)權(quán)值改變的影響，本文首次將一種局部自適應(yīng)學(xué)習(xí)算法RPROP算法用于訓(xùn)練對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)，該算法不受梯度大小

3、對(duì)權(quán)值調(diào)整的影響，而只是決定網(wǎng)絡(luò)權(quán)值的調(diào)整方向，該算法辨識(shí)精度高，能加速收斂，并在一定程度上克服了局部最小問(wèn)題。 然后，針對(duì)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)任要靠經(jīng)驗(yàn)選取的問(wèn)題，本文提出將RPROP算法與支持向量回歸算法相結(jié)合的混合算法——RPROP-SVR算法，用于對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，其中利用SVR算法自動(dòng)確定網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)，利用RPROP算法訓(xùn)練網(wǎng)絡(luò)權(quán)值，并將這一新算法用于非線性系統(tǒng)辨識(shí)，取得了很好的辨識(shí)效果。 最后，將基于R