混合粒子群oif―elman神经网络系统辨识

《混合粒子群oif―elman神经网络系统辨识》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、混合粒子群OIF―Elman神经网络系统辨识　　摘要：本文提出了一种基于混合粒子群优化算法的OIF-Elman递归神经网络辨识方法。混合算法融合了粒子群算法与差分进化算法的优化能力并加入了在群体最优位置附近的高斯变异操作。与三种典型差分进化算法的仿真对比结果说明了，通过以上改进加快了算法的收敛速度，提高了优化精度。将该辨识方法用于实验室加热炉换热器系统双入双出耦合对象的辨识中，获得的对象模型较之标准的Elman神经网络辨识精度更高，且结果表明本方法与采用反向传播算法作为学习算法的OIF-Elman模型相比，基于改进粒子群

2、算法优化的模型具有更高的精度和更简单的网络结构。　　关键词：差分进化；粒子群；高斯变异；OIF-Elman；系统辨识　　DOI：10.16640/j.cnki.37-1222/t.2017.05.119　　1概述　　神经网络因具有强大的并行处理能力、自组织和自学习能力、非线性映射能力，在系统辨识领域受到了广泛的重视[1]。采用神经网络对系统进行辨识时，无需知道系统的具体结构，通过对相关数据进行训练可以得到辨识模型的网络结构，使得辨识更加简便易行，且可用于闭环辨识。在工程实际中，辨识对象大多为动态系统，且具有较强的非线性，

3、一般的静态前馈神经网络虽然可以采用增加外部迟延的方法辨识动态系统，但会使网络结构复杂化，导致收敛速度变慢。具有内部反馈结构的递归神经网络，因自身具有反馈结构，网络本身便是一个非线性动态系统，成为辨识动态系统的有效方法之一[2]。本文在OIF-Elman[3]递归网络模型的基础上，结合改进的粒子群算法对其进行优化，并用于加热炉换热器对象的辨识，辨识的结果证实了该方法的可行性和优越性。　　2OIF-ELman神经网络　　2.1OIF-Elman网络结构　　基本的Elman神经网络在BP神经网络基础上加入了局部反馈链接和局部递

4、归单元，具有了动态系统的结构。OIF-Elman网络在Elman网络的基础上增加了输出层节点的反馈，强化了对动态系统的拟合能力，被称为具有输出-输入反馈机制的改进Elman网络[4]。其结构图如图1所示，网络的两个关联层的表达式分别为[5]：　　，　　2.2OIF-Elman网络动态系统仿真　　分别采用Elman网络及OIF-Elman网络对二阶动态系统：，输入信号为，取样本个数为50。学习算法均采用误差反向传播（BP）学习算法并比较两种网络的拟合精度，如图2所示。图2（a）?榱街滞?络的训练误差曲线，图2（b）为两种网

5、络输出对应每一个样本的误差，可见OIF-Elman网络相比于Elman网络误差更小，精度更高，在动态系统辨识上更加有效。　　3混合粒子群优化算法　　由于传统的BP学习算法收敛速度慢易陷入局部最优等缺陷，本文提出一种改进的混合粒子群优化算法作为OIF-Elman神经网络的学习算法。改进的算法在标准粒子群算法模型的基础上，融入了高斯变异以及差分进化算法的交叉变异机制，并将本文算法与典型的三种差分进化粒子群算法（DEPSO）在不同目标函数上进行仿真对比。　　3.1算法思想　　算法保留了粒子群模型的速度向量，采用常用的一种差分变

6、异策略，增加粒子的多样性，保证全局搜索能力，但由于目标向量是速度向量，故在此基础上将基向量改为，并加入基于群体最优的差分向量，加速种群收敛速度，加强了对群体最优附近区域的挖掘能力[6]。文献[11]中采用了对于最优向量中某一维分量变异的策略得到了很好的效果，在本文算法的高斯变异操作中，只对速度向量的某一维分量进行变异。另外为了进一步加强算法在群体最优附近的挖掘能力，引入高斯变异在最优位置附近进行搜索。有研究指出，全局最优解易出现在粒子群的群体最优位置与个体最优之间[7]，受此启发，本文算法中取群体历史最优位置和历史次优位

7、置之间的区域进行高斯变异。这么选择首先使高斯变异的范围根据搜索进程进行变化，搜索前期范围较大，搜索后期范围会缩小。其次是因为在算法收敛后期问题的解多在群体最优位置附近，当粒子位置（由于算法的选择操作，粒子个体最优即是粒子当前位置）未越过最优解时，算法会使粒子向最优解移动并记录上次最优位置，当粒子由于速度惯性越过最优解时，问题的解便在历史最优位置和历史次优位置之间，所以说这个范围是最具价值的搜索空间。实验证明这种方式对于单峰及多峰函数起到了局部挖掘，促进收敛的作用。　　根据上述原理，本文算法步骤如下：　　（1）初始化。初始

8、化种群个数，迭代次数，以及所有粒子的位置和速度。　　（2）计算每个粒子的适应度值，初始化种群个体历史最优和群体最优。　　（3）判断是否达到结束条件，如是则输出当前全局最优值，否则执行下面步骤。　　（4）对粒子速度向量中随机选择的一维，按照下面公式进行变异。更新粒子位置后采用差分进化算法的选择机制，与之前粒子位置的适应