运用改进差分进化算法辨识Hammerstein模型

被引：12

作者：

熊伟丽 ^{[1
,2
]}

陈敏芳 ^{[2
]}

王肖 ^{[2
]}

徐保国 ^{[2
]}

机构：

[1] 江南大学教育部轻工过程先进控制重点实验室

[2] 江南大学物联网工程学院

来源：

南京理工大学学报 | 2013年 / 37卷 / 04期

关键词：

差分进化算法; 自适应变异; 非线性系统辨识; Hammerstein模型;

D O I：

10.14177/j.cnki.32-1397n.2013.04.020

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对非线性系统Hammerstein模型,利用差分进化算法对非线性模型进行参数辨识,将非线性系统的辨识问题转化为参数空间上的函数优化问题。为了增强差分进化算法的辨识性能,采用一种自适应变异差分进化算法,即引入一个自适应变异率,随着迭代的进行自适应调整缩放因子,从而在初期保持种群多样性避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏。最后通过仿真对比实验表明,改进的差分进化算法比基本差分进化算法精度更高、非线性辨识能力更强。

引用

页码：536 / 542

页数：7

共 14 条

[1]

一种双种群遗传粒子群算法及在SMB优化中的应用 [J].

肖迪 ;

葛启承 ;

林锦国 ;

程明 .

南京理工大学学报, 2012, 36 (01) :31-36

[2]

基于当前最优解的反向差分进化算法求解函数优化问题 [J].

徐庆征 ;

王磊 ;

何宝民 ;

王娜 .

应用科学学报, 2011, 29 (03) :308-315

[3]

一种新的差分进化约束优化算法 [J].

刘若辰 ;

焦李成 ;

雷七峰 ;

方玲芬 .

西安电子科技大学学报, 2011, 38 (01) :47-53

[4]

神经网络与DE算法在自适应滤波中的应用 [J].

张鸣 ;

韦国勋 ;

杨煜普 .

自动化仪表, 2010, 31 (04) :8-11

[5]

运用QPSO算法进行系统辨识的研究 [J].

沈佳宁 ;

孙俊 ;

须文波 .

计算机工程与应用 , 2009, (09) :67-70

[6]

基于优进策略的新差分进化算法动力学模型参数的估计 [J].

宁桂英 ;

周永权 .

计算机与应用化学, 2008, (05) :523-527

[7]

基于改进差分进化算法的超临界水氧化动力学参数估计 [J].

颜学峰 ;

余娟 ;

钱锋 ;

丁军委 .

华东理工大学学报(自然科学版), 2006, (01) :94-97+124

[8]

应用粒子群优化算法辨识Hammerstein模型 [J].

林卫星 ;

张惠娣 ;

刘士荣 ;

钱积新 .

仪器仪表学报, 2006, (01) :75-79

[9]

非线性与多变量系统相关辨识.[M].胡德文著;.国防科技大学出版社.2001,

[10]

Identification of a Wiener–Hammerstein system using an incremental nonlinear optimisation technique.[J].Ai Hui Tan;Hin Kwan Wong;Keith Godfrey.Control Engineering Practice.2012, 11

← 1 2 →