欢迎来到天天文库
浏览记录
ID:33366658
大小:1.95 MB
页数:64页
时间:2019-02-25
《径向基神经网络在系统辨识应用中的结构与算法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、摘要作为人工智能的重要组成部分,人工神经网络有较大的应用潜力。本文在阐述了神经网络的发展、现状、基本原理及其在自动控制中的应用的基础上,主要研究了径向基神经网络在系统辨识应用中的结构与算法。径向基函数神经网络是基于大脑皮层中存在局部、重叠的感受域这一特性提出的。它具有其它前向网络所不具有的最佳逼近的性能,并且结构简单,训练速度快。因此,径向基神经网络在运用于系统辨识时有其独特的优势。本文研究了径向基神经网络的数学理论,详细分析了几种流行的径向基神经网络学习算法的优缺点,介绍了系统辨识的一般原理,并在此基础上
2、提出了基于径向基神经网络的系统辨识器的一般结构。径向基函数神经网络的构造性问题,即如何确定合理的隐层神经元的个数,一直是其研究中的一个难点和关键。本文针对以上问题,受Fahlman和Lebiere的重叠相关学习算法的启发,提出了正交序贯学习算法,为径向基神经网络隐层神经元的确定问题提供了一条新的途径。本文从理论方面对算法进行了深入的剖析,介绍了算法的详细思路和具体过程,分析了算法的收敛性。并将算法训练后的径向基神经网络运用到实际非线性系统的辨识过程中去。结果表明,算法有效地减少的训练后网络的隐层神经元数目,
3、取得了令人满意的辨识效果。为了克服正交序贯学习算法在训练过程中由梯度法带来的局部极小问题,进一步改善算法在训练过程中的收敛性能,本文将遗传算法引入,对正交序贯学习算法进行了改进,提出了正交序贯遗传算法。仿真结果表面,这种改进方案不仅能够提高算法在训练过程中的收敛速度,而且训练后的径向基神经网络具有更少的隐层神经元,从而进一步提高了算法的性能。关键词:人工智能、径向基神经网络、系统辨识、隐层神经元、正交序贯学习算法、遗传算法AbstractArtificialneuralnetwork(ANN),asanim
4、portantpartofartificialintelligence,hasgreatpotenceinapplication.Afterintroducingthedevelopment,statusquo,basictheoryofneuralnetworkanditsapplicationtoautomaticcontrol,thisthesismainlystudiesthestmcturesandalgorithmsofRBFneuralnetworkanditsapplicationtosys
5、temidentification.RBFneuralnetworkisbasedontheexistenceoflocalizedreceptivefieldsinhumanbrains.Ithasuniquebestapproximationability,simplestructureandfastconvergencespeed.Soithasparticularadvantageswhenappliedinsystemidentification.Thispaperstudiesthetheory
6、ofRBFneuralnetwork,analyzestheadvantagesanddisadvantagesofseveralpopulartrainingalgorithms,introducesthemainprincipleofsystemidentification,andthenbringsforwardthestructureofsystemidentificationwhichisbasedonRBFneuralnetwork.Howtodeterminethereasonableamou
7、ntofneuronsinhiddenlayerisacmcialanddifficultprobleminthestudiesofRBFneuralnetwork.AfteranalyzingthecascadecorrelationlearningmethoddevelopedbyFahlmanandLebiere,theorthogonalsequentiallearningalgorithmisbroughtforwardtosolvetheproblem.Thispaperanalyzesthea
8、lgorithmdeeplyintheory,introducestheideaandprocessandstudiestheconvergencecapabilityofthealgorithm.ThentheRBFneuralnetworktrainedbythisalgorithmisapplledintosystemidentification.Theresultsshowthatthisalgorith
此文档下载收益归作者所有