非线性系统辨识方法研究

doi:10.3778/j.issn.1002-8331.2010.06.006

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (6): 19-22.DOI: 10.3778/j.issn.1002-8331.2010.06.006

非线性系统辨识方法研究

徐小平^1，2，钱富才¹，王峰^3，4

1.西安理工大学自动化与信息工程学院，西安 710048
2.西安理工大学理学院，西安 710054
3.西安交通大学系统工程研究所机械制造系统工程国家重点实验室，西安 710049
4.西安交通大学理学院，西安 710049

收稿日期:2009-11-10 修回日期:2009-12-28 出版日期:2010-02-21 发布日期:2010-02-21
通讯作者: 徐小平

Research on identification method of nonlinear system

XU Xiao-ping^1，2，QIAN Fu-cai¹，WANG Feng^3，4

1.School of Automation and Information Engineering，Xi’an University of Technology，Xi’an 710048，China
2.School of Sciences，Xi’an University of Technology，Xi’an 710054，China
3.State Key Lab for Manufacturing System Engineering，System Engineering Institute，Xi’an Jiaotong University，Xi’an 710049，China
4.School of Sciences，Xi’an Jiaotong University，Xi’an 710049，China

Received:2009-11-10 Revised:2009-12-28 Online:2010-02-21 Published:2010-02-21
Contact: XU Xiao-ping

摘要/Abstract

摘要： 讨论了利用小波神经网络对非线性系统辨识的新方法。在辨识过程中，为了提高小波神经网络对非线性系统的辨识性能，使用一种改进粒子群优化算法对BP小波神经网络参数进行训练，求得最优值，达到对非线性系统辨识目的。在数值仿真中，与采用标准粒子群优化算法相比，结果显示了提出的方法在收敛性和稳定性等方面均得到了明显的改善。

关键词: 非线性系统, 辨识, 小波神经网络, 粒子群优化算法

Abstract: A new identification method for nonlinear system based on a wavelet neural network is discussed.In identification process，the parameters of a BP wavelet neural network are trained via an Improved Particle Swarm Optimization（IPSO） algorithm to obtain optimal values to achieve the purpose of identification for the nonlinear system.In numerical simulation，compared with using Standard Particle Swarm Optimization（SPSO） algorithm，the results show that the presented algorithm is obviously improved in the convergence，stability，and so on.

Key words: nonlinear system, identification, wavelet neural network, Particle Swarm Optimization（PSO） algorithm

中图分类号:

TP273

徐小平^1，2，钱富才¹，王峰^3，4. 非线性系统辨识方法研究[J]. 计算机工程与应用, 2010, 46(6): 19-22.

XU Xiao-ping^1，2，QIAN Fu-cai¹，WANG Feng^3，4. Research on identification method of nonlinear system[J]. Computer Engineering and Applications, 2010, 46(6): 19-22.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[4]	徐恭贤，邱添，贾府生，魏顺行. 一类生物系统的参数辨识方法及其应用[J]. 计算机工程与应用, 2020, 56(4): 163-167.
[5]	王龙飞，邓亮，刘萍. 基于改进果蝇优化的压电精密定位平台迟滞Bouc-Wen模型辨识[J]. 计算机工程与应用, 2020, 56(2): 242-247.
[6]	陈亮，潘海鹏，吴平，周伟. 脉冲响应模型的闭环子空间辨识方法[J]. 计算机工程与应用, 2019, 55(8): 195-200.
[7]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[8]	卫兵，王则灵，李宜兵. 眨眼与哈欠提取新方法及其适用性研究[J]. 计算机工程与应用, 2019, 55(7): 168-174.
[9]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[10]	沈艳，尹金姗，韩帅，韩煜. 基于数值积分公式的GM（1，1）模型优化研究[J]. 计算机工程与应用, 2019, 55(24): 41-45.
[11]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[12]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[13]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[14]	何明慧1，徐怡1，2，王冉1，胡善忠1. 改进的粒子群算法优化神经网络及应用[J]. 计算机工程与应用, 2018, 54(19): 107-113.
[15]	常红伟1，夏克文1，2，白建川1，2，牛文佳1，武盼盼1. 采用云量子PSO的属性约简方法[J]. 计算机工程与应用, 2018, 54(10): 99-104.

非线性系统辨识方法研究

Research on identification method of nonlinear system

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics