一种用于非线性系统参数辨识的耦合算法研究

付华; 乔德浩; 池继辉

您当前的位置：

首页 >

文章列表页 >

一种用于非线性系统参数辨识的耦合算法研究

更新时间：2025-07-09

- 一种用于非线性系统参数辨识的耦合算法研究
- CIPSO-ENN Coupling Algorithm for Nonlinear Dynamic System Parameter Identification
- 西安交通大学学报 2011年45卷第2期页码：49-53
- 作者机构：
  
  辽宁工程技术大学电气与控制工程学院,辽宁,葫芦岛,125105
- 作者简介：
- 基金信息：
  
  : 2010-09-10. 作者简介: 付华(1962-),女,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(50874059);教育部高等学校博士学科点专项科研基金资助项目(200801470003)
- DOI：
  中图分类号： TP183
- 网络首发：2011-02-10，
  
  纸质出版：2011
- 稿件说明：
移动端阅览
付华, 乔德浩, 池继辉. 一种用于非线性系统参数辨识的耦合算法研究[J]. 西安交通大学学报, 2011,45(2):49-53.

CIPSO-ENN Coupling Algorithm for Nonlinear Dynamic System Parameter Identification[J]. 2011, 45(2): 49-53.
付华, 乔德浩, 池继辉. 一种用于非线性系统参数辨识的耦合算法研究[J]. 西安交通大学学报, 2011,45(2):49-53. DOI：

CIPSO-ENN Coupling Algorithm for Nonlinear Dynamic System Parameter Identification[J]. 2011, 45(2): 49-53. DOI：

摘要

针对工程复杂性、时变性、非线性的特点

提出了基于混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSD-ENN)

用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法

在粒子群种群进化过程中

该算法对粒子进行克隆选择

提高其收敛速度

对克隆后的粒子混沌变异以增强种群局部搜索能力.最后

CIPSO与动态反馈型Elman神经网络融合

对其权值、阈值寻优

建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明

算法具有收敛速度快、收敛精度高、鲁棒性强的特点

与单纯Elman网络辨识相比

模型收敛速度提高了10倍

拟合精度提高了2个数量级.

Abstract

Aiming at the complexity

time varying and nonlinearity of the projects

a CIPSO-ENN coupling algorithm for identifying the parameters of nonlinear dynamic models is proposed

where the clonal selection of artificial immune system and chaotic mutation mechanism are embedded into standard particle swarm optimization. In the evolution of the particle swarm optimization population

this algorithm accelerates convergence of particle clonal selection and enhances the particle swarm local search capability after cloned particle chaotic mutation. Then CIPSO algorithm is merged with dynamic feedback Elman neural network to construct system identification model based on the CIPSO-ENN. The experiment results show that the identification model convergence rate is increased by 10 times and fitting accuracy is increased by 2 orders of magnitude compared with the pure Elman network identification method.

关键词

Keywords

references

GERNASKY M, BENUSKOVA L. Simple recurrent network trained by RTRL and extended Kalmann filter algorithm [J]. Neural Network World, 2003, 13(3): 223-234.

陈贵敏,贾建援,韩琪.粒子群优化算法的惯性权值递减策略研究[J].西安交通大学学报, 2006, 40(1):53-56.

CHEN Guimin, JIA Jianyuan, HAN Qi. Study on the strategy of decreasing inertial weight in particle swarm optimization algorithm [J]. Journal of Xi'an Jiaotong University, 2006, 40(1): 53-56.

潘峰,陈杰,甘明刚,等.粒子群优化算法模型分析[J].自动化学报, 2006,32(3):368-377.

PAN Feng, CHEN Jie, GAN Minggang, et al. Model analysis of particle swarm optimizer[J]. Acta Auto-matica Sinica, 2006,32(3): 368-377.

HOLAND J. Emergence: from chaos to order [M]. Redwood City, California: Addison Wesley,1998.

杨维,李歧强.粒子群优化算法综述[J].中国工程科学, 2004,6(5):87-94.

YANG Wei, LI Qiqiang. Survey on particle swarm optimization algorithm [J]. Engineering Science, 2004,6(5): 87-94.

陈曦,蒋加伏.免疫粒子群优化算法求解旅行商问题[J].计算机与数字工程, 2006, 34(6): 10-29.

CHEN Xi, JIANG Jiafu. Particle swarm optimization algorithms with immunity for traveling salesman problems[J].Computer and Digital Engineering, 2006, 34(6): 10-29.

尤勇,王孙安,盛万兴.新型混沌优化方法的研究及应用[J].西安交通大学学报, 2003, 37(1):69-72.

YOU Yong, WANG Sun'an, SHENG Wanxing. New chaos optimization algorithm with application [J]. Journal of Xi'an Jiaotong University, 2003, 37(1): 69-72.

SCHWEFEL H P. Evolution and optimum seeking[M]. New York, USA: Wiley, 1995.

王峰,邢科义,徐小平.系统辨识的粒子群优化方法[J].西安交通大学学报, 2009, 43(2):116-119.

WANG Feng, XING Keyi, XU Xiaoping. A system identification method using particle swarm optimization [J]. Journal of Xi'an Jiaotong University, 2009, 43(2): 116-119.

葛宏伟,梁艳春.进化Elman神经网络模型与非线性系统辨识[J].吉林大学学报:工学版,2005,35(5):511-519.

GE Hongwei, LIANG Yanchun. Evolutionary Elman neural network model and identification for non-linear systems[J]. Journal of Jilin University: Engineering and Technology Edition,2005,35(5):511-519.

李秀英,韩志刚.非线性系统辨识方法的新进展[J].自动化技术与应用, 2004,23(10):5-7.

LI Xiuying, HAN Zhigang. Advances in nonlinear system identification[J]. Techniques of Automation Application, 2004,23(10): 5-7.

时小虎,梁艳春,徐旭.改进的Elman模型与递归反传控制神经网络[J].软件学报, 2003,14(6):1110-1119.

SHI Xiaohu, LIANG Yanchun, XU Xu. An improved Elman model and recurrent back-propagation control neural networks[J]. Journal of Software, 2003, 14(6):1110-1119.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

求解多目标0/1背包问题的克隆选择算法

扇贝仿生密封腔室内超临界二氧化碳泄漏流湍动能耗散机理研究

结构-语义-残差协同的图像压缩框架：面向隐私保护与高保真重建

三塔合一间接空冷系统结构参数对夏季运行特性的影响研究

语义区分和子图整合驱动的知识图谱表示学习方法