首页
智能优化算法在非线性系统辨识中的应用研究
发布时间：2022-08-09 12:06
近年来,由于智能优化算法具有较强的搜索能力而得到了广泛的应用,现已成为了研究的热点问题。本文将智能优化算法应用于受重尾噪声干扰下的非线性系统辨识研究中,首先对于原始樽海鞘算法（SSA）、灰狼算法（GWO）进行改进。仿真实验结果表明改进后的算法能够有效改善原算法的收敛精度等性能,并将改进后的算法应用于非线性MIMO Hammerstein、Hammerstein-Wiener模型的辨识中。主要研究内容如下:（1）首先介绍了一种新型智能优化算法樽海鞘算法（SSA）。针对樽海鞘算法容易陷入局部最优、收敛精度差等缺陷,本文通过引入Kent混沌映射、自适应位置更新等改进提出了混沌樽海鞘算法（CSSA）,通过测试函数仿真对其性能进行了验证,仿真结果表明CSSA算法性能有了较大提高,能够有效满足辨识的需要。（2）接下来又介绍了一种应用广泛的灰狼优化算法（GWO）。本文通过引入自适应位置更新公式、Levy飞行策略等改进提出了莱维灰狼算法（LGWO）,通过测试函数仿真对其性能进行了验证,仿真结果表明LGWO算法的收敛精度、速度、稳定性方面都有了较大提高,能够满足后续辨识研究要求。（3）将本文提出的CSS...
【文章页数】：108 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究目的与意义
1.2 课题相关领域研究现状
1.2.1 智能优化算法研究现状
1.2.2 系统辨识研究现状
1.2.3 重尾噪声下辨识研究现状
1.3 本文主要工作
第二章 非线性模型结构与辨识基础
2.1 引言
2.2 非线性模型简介
2.2.1 Hammerstein模型
2.2.2 Wiener模型
2.2.3 Hammerstein-Wiener、Wiener-Hammerstein模型
2.2.4 常见非线性特性
2.3 常见非线性系统辨识方法
2.4 常见重尾噪声
2.5 本文相关优化算法研究现状
2.5.1 樽海鞘算法研究现状
2.5.2 灰狼优化算法研究现状
2.6 小结
第三章 基于改进樽海鞘算法的重尾噪声下MIMO Hammerstein系统辨识研究
3.1 引言
3.2 樽海鞘算法
3.2.1 樽海鞘算法的生物起源
3.2.2 樽海鞘算法流程
3.3 混沌樽海鞘算法
3.4 混沌樽海鞘算法性能验证
3.4.1 测试函数性能对比
3.4.2 算法运算时间分析
3.4.3 算法鲁棒性分析
3.4.4 算法的参数敏感性分析
3.5 重尾噪声下的MIMO Hammerstein系统辨识研究
3.5.1 MIMO Hammerstein系统建模
3.5.2 CSSA算法辨识步骤
3.5.3 系统辨识仿真实例
3.6 小结
第四章 基于改进灰狼算法的重尾噪声下MIMO Hammerstein-Wiener系统辨识研究
4.1 引言
4.2 灰狼优化算法
4.2.1 灰狼优化算法的生物起源
4.2.2 灰狼优化算法流程
4.3 莱维灰狼优化算法
4.4 莱维灰狼算法性能验证
4.4.1 最优Limit值研究
4.4.2 测试函数性能对比
4.4.3 算法鲁棒性分析
4.5 重尾噪声下的MIMO H-W系统辨识研究
4.5.1 MIMO H-W系统建模
4.5.2 LGWO算法辨识步骤
4.5.3 系统辨识仿真实例
4.6 小结
第五章 总结与展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
附件
【参考文献】：
期刊论文
[1]改进灰狼算法及其应用[J]. 袁岩,曹萃文. 计算机工程与设计. 2020(02)
[2]一种改进的递推极大似然法[J]. 赵永磊,张冉,王铁成. 工业技术与职业教育. 2018(04)
[3]系统辨识（6）:多新息辨识理论与方法[J]. 丁锋. 南京信息工程大学学报(自然科学版). 2012(01)
[4]人工神经网络系统辨识综述[J]. 茹菲,李铁鹰. 软件导刊. 2011(03)
[5]系统辨识（1）:辨识导引[J]. 丁锋. 南京信息工程大学学报(自然科学版). 2011(01)
[6]基于MATLAB的最小二乘法参数辨识与仿真[J]. 石贤良,吴成富. 微处理机. 2005(06)
[7]关于模糊系统辨识近年来的研究与发展[J]. 王辉,肖建,严殊. 信息与控制. 2004(04)
[8]基于扩展粒子群优化算法的同步发电机参数辨识[J]. 胡家声,郭创新,曹一家. 电力系统自动化. 2004(06)
[9]二阶加延时模型的阶跃响应辨识方法[J]. 全亚斌,张卫东,许晓鸣. 控制理论与应用. 2002(06)
[10]一种非线性时变系统小波网络辨识算法[J]. 刘建春,王正欧. 系统工程学报. 2002(05)
博士论文
[1]输入非线性系统的多新息辨识方法[D]. 毛亚文.江南大学 2019
[2]Hammerstein非线性系统辨识算法研究[D]. 马亮.浙江大学 2017
【文章页数】：108 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究目的与意义
1.2 课题相关领域研究现状
1.2.1 智能优化算法研究现状
1.2.2 系统辨识研究现状
1.2.3 重尾噪声下辨识研究现状
1.3 本文主要工作
第二章 非线性模型结构与辨识基础
2.1 引言
2.2 非线性模型简介
2.2.1 Hammerstein模型
2.2.2 Wiener模型
2.2.3 Hammerstein-Wiener、Wiener-Hammerstein模型
2.2.4 常见非线性特性
2.3 常见非线性系统辨识方法
2.4 常见重尾噪声
2.5 本文相关优化算法研究现状
2.5.1 樽海鞘算法研究现状
2.5.2 灰狼优化算法研究现状
2.6 小结
第三章 基于改进樽海鞘算法的重尾噪声下MIMO Hammerstein系统辨识研究
3.1 引言
3.2 樽海鞘算法
3.2.1 樽海鞘算法的生物起源
3.2.2 樽海鞘算法流程
3.3 混沌樽海鞘算法
3.4 混沌樽海鞘算法性能验证
3.4.1 测试函数性能对比
3.4.2 算法运算时间分析
3.4.3 算法鲁棒性分析
3.4.4 算法的参数敏感性分析
3.5 重尾噪声下的MIMO Hammerstein系统辨识研究
3.5.1 MIMO Hammerstein系统建模
3.5.2 CSSA算法辨识步骤
3.5.3 系统辨识仿真实例
3.6 小结
第四章 基于改进灰狼算法的重尾噪声下MIMO Hammerstein-Wiener系统辨识研究
4.1 引言
4.2 灰狼优化算法
4.2.1 灰狼优化算法的生物起源
4.2.2 灰狼优化算法流程
4.3 莱维灰狼优化算法
4.4 莱维灰狼算法性能验证
4.4.1 最优Limit值研究
4.4.2 测试函数性能对比
4.4.3 算法鲁棒性分析
4.5 重尾噪声下的MIMO H-W系统辨识研究
4.5.1 MIMO H-W系统建模
4.5.2 LGWO算法辨识步骤
4.5.3 系统辨识仿真实例
4.6 小结
第五章 总结与展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
附件
【参考文献】：
期刊论文
[1]改进灰狼算法及其应用[J]. 袁岩,曹萃文. 计算机工程与设计. 2020(02)
[2]一种改进的递推极大似然法[J]. 赵永磊,张冉,王铁成. 工业技术与职业教育. 2018(04)
[3]系统辨识（6）:多新息辨识理论与方法[J]. 丁锋. 南京信息工程大学学报(自然科学版). 2012(01)
[4]人工神经网络系统辨识综述[J]. 茹菲,李铁鹰. 软件导刊. 2011(03)
[5]系统辨识（1）:辨识导引[J]. 丁锋. 南京信息工程大学学报(自然科学版). 2011(01)
[6]基于MATLAB的最小二乘法参数辨识与仿真[J]. 石贤良,吴成富. 微处理机. 2005(06)
[7]关于模糊系统辨识近年来的研究与发展[J]. 王辉,肖建,严殊. 信息与控制. 2004(04)
[8]基于扩展粒子群优化算法的同步发电机参数辨识[J]. 胡家声,郭创新,曹一家. 电力系统自动化. 2004(06)
[9]二阶加延时模型的阶跃响应辨识方法[J]. 全亚斌,张卫东,许晓鸣. 控制理论与应用. 2002(06)
[10]一种非线性时变系统小波网络辨识算法[J]. 刘建春,王正欧. 系统工程学报. 2002(05)
博士论文
[1]输入非线性系统的多新息辨识方法[D]. 毛亚文.江南大学 2019
[2]Hammerstein非线性系统辨识算法研究[D]. 马亮.浙江大学 2017
本文编号：3672527
