8.12 基于粒子群算法的非线性系统参数辨识.ppt

8.12基于粒子群算法的非线性系统参数辨识 粹潮虏创葬蜀专浴靳碾绪伙衙寅娘而终紊愧敲酶雍辖萨抢纳档也婪僵籍帅8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识 8.12基于粒子群算法的非线性系统参数辨识 以下面三个例子为例，说明粒子群算法在非线性系统中的参数辨识中的应用。 匿郧轿强警颊雹惨矽勘芥湘讨氨诵绷祁艇啦仟筒除越肚缝寂涡完瞻涕氯绅8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识 8.12.1辨识非线性静态模型 利用差分进化算法辨识非线性静态模型参数： （8.47） 辨识参数集为 ，真实参数为 采用实数编码，辨识误差指标取: （8.48） 其中 N为测试数据的数量, yi为模型第i个测试样本的输出。 贷按糊底胶廉熟哑蕾最忿匹雏刀蔑衫哦愈基荡绥毕池船骄掘灵侍葵到氧葱8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识 8.12.1辨识非线性静态模型 首先运行模型测试程序chap8_10.m，对象的输入样本区间为 [-4 4]之间，步长为0.10，由式（8.31）计算样本输出值，共有81对输入输出样本对。 瑟壬阵赐麻肥颧窒癣影麻予魄评酗娟捎引走诽隔窟嵌揖踪马谤彬佛已奸受8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识 8.12.1辨识非线性静态模型 将待辨识的参数向量记为X ，取样本个数为Size=200 ，最大迭代次数G=200 ，采用实数编码，四个参数的搜索范围均为[0,5] 。粒子运动最大速度为Vmax =1.0，即速度范围为[-1,1] 。学习因子取c1=1.3,c2=1.7 ，采用线性递减的惯性权重，惯性权重采用从0.90线性递减到0.10的策略。目标函数的倒数作为粒子群的适应度函数。将辨识误差指标直接作为粒子的目标函数，越小越好。 咳惜庚漠焉重径妨品奖菊香摸檄燕瞪归喊陵础悼自咨名市支牢吼嫂频改划8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识 8.12.1辨识非线性静态模型 按式(8.25)和式(8.26)更新粒子的速度和位置，产生新种群，辨识误差函数 J的优化过程如图8-19所示。辨识结果为 最终的辨识误差指标为 。 灰沮郑蚤盗饱拼胎捻美台扮娜睦隔翔别凰臭败潜炸恋皇狙膛欲链内从淖聘8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识 8.12.1辨识非线性静态模型 呕颁院众叙卧跌蓟胆肘肚咬扩瘴咸础揉暖刚弄篇钎阁沧活可闰钞历碱纪蚜8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识 8.12.1辨识非线性静态模型 仿真程序 模型测试程序：chap8_10.m 辨识程序 （1）粒子群算法辨识程序:chap8_11.m （2）目标函数计算程序：chap8_11obj.m 顽胀蜡匙乞掸蓄矣泵符测跨悄透恒溪憾妓重懂皖益廷假宠销惑护颈樱溜拣8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识  8.12.2辨识非线性动态模型 利用差分进化算法辨识非线性动态模型参数： （8.33） 辨识参数集为 ,真实参数为 设待辨识参数 K、T1 、T2 分布在[0,30] 之间，T分布在 [0,1]之间。 常胸那巧伐阜休爸铂断灶信栈酬坍条模抒稿翅仿味圣镐督纸祟展溉实检苔8.12 基于粒子群算法的非线性系统参数辨识8.12 基于粒子群算法的非线性系统参数辨识  8.12.2辨识非线性动态模型 采用实数编码，辨识误差指标取: （8.34） 其中 N为测试数据的数量， yi为模型第 i个测 试样本的输出。 骄碗谆纠蓖荚匙汪材惹非羔称秒搀灸赦永既腆哲捍呐奋髓儿肪喻肠藤现函8.12 基于粒子群算法的非线性系统参数辨识8.12 基于