基于GA_BP算法的神经网络非线性系统辨识与仿真.pdfVIP

科技信息 高校理科研究 　 基于 GA —BP算法的神经网络 非线性系统辨识与仿真 1 2 谭福成 　俞欢林 ( 1. 浙江绍兴越秀外国语职业学院　2. 中国联通杭州分公司 ) ( ) [摘 　要 ]本文根据神经网络在非线性函数中的逼近能力 ,发挥遗传算法 GA 全局寻优和 B P算法局部收敛结合的优 势 ,将 GA —B P算法应用于神经网络 ,完成系统的非线性辨识功能 。仿真结果表明:基于 GA —B P算法的神经网络具 有 良好的非线性逼近能力和泛化能力 ,具有较高的系统辨识精度 。 [关键词 ]非线性 　神经网络 　GA —B P 　系统辨识 1 引言 　　在图 1—1中 , I为系统的输入信号 , O 为系统的输出信号 。 系统辨识是要寻求一个数学模型 ,使得该模型的输出与被 y为 GA —B P算法神经网络的输出 , d 为系统期望的输出 , e 为 辨识系统的输出尽量接近 。也就是从特定的一类模型中选出 误差信号 。通过对神经网络的训练 ,使得网络能够逼近未知的 一个与被控对象输入输出实测数据拟合得最好的模型 [ 1 ] 。对 非线性系统 。 于非线性系统 ,采用非线性的方法来辨识比传统的线性分析方 2. 2 神经网络与 GA —B P算法 法更有优势 。 神经网络一般由输入层 、隐层 、输出层构成 。图 1—2 为神 神经网络具有 自适应能力和非线性映射能力 。网络通过 经网络的示意图。 对训练样本的学习 ,不断调整权值和阈值以提高神经元对样本 特征的反映灵敏度 ,从而完成复杂的非线性映射 。B P [2 ]算法 是神经网络中应用最广泛的算法 ,其采用的误差反向传播特性 解决了隐层引入后的学习问题 ,其实质是采用梯度下降法使权 值和阈值的改变总是朝着误差变小的方向改进 。尽管如此 ,梯 度下降法存在固有的不足 , 易陷入局部极小值 。遗传算法 [ 3 ] ( GA )是一种借鉴生物界自然选择和遗传机制的随机搜索优化 方法 。它不依懒于梯度信息 ,其本质是一种并行 、随机 、全局搜 索的方法 。通过选择 、交叉 、变异等遗传算子 ,模拟 自然界 “优 图 1—2　神经网络的示意图 胜劣汰 ,适者生存 ”的竞争法则获得问题的近似最优解 。但是 GA 的随机性往往会带来大量计算 , 因此利用 GA 在全变量空 R φ( Σ θ) 网络的每一层神经元输出为 w p - 。其中 [ p , p , i i 1 2 间搜索全局解作为网络的初始解 ,再用 B P 算法快速收敛于精