基于混沌蟻群的神經網絡速度辨識器研究
加入技術交流群
近年來，由于神經網絡的研究取得了長足的進展，基于BP神經網絡模型的速度辨識方法得到了廣泛研究，但其仍存在收斂速度慢、易陷入局部極小值等問題，因此，對神經網絡的優(yōu)化一直是當前的研究熱點。本文將混沌引入到蟻群算法(Ant Colony Optimization，ACO)當中，以形成混沌蟻群算法(Chaos Ant Colony Optimization，CACO)，從而提高了對于BP神經網絡的優(yōu)化效率和精度，解決了上述問題；同時，也在對異步電機直接轉矩控制(DTC)轉速辨識的仿真試驗中，實現(xiàn)了對電機轉速的準確辨識。
1 BP神經網絡的缺點
BP神經網絡是目前控制領域中應用廣泛的一種神經網絡模型，其學習過程由信息前向計算和誤差反向傳播過程組成。它采用梯度搜索技術，可使網絡的實際輸出值與期望輸出值的誤差均方值最小化。此外，該網絡還具有良好的非線性映射和泛化能力。BP神經網絡的結構如圖1所示。
BP神經網絡的數學模型為：
其中，xj為輸入層節(jié)點輸出，yi為隱含層節(jié)點輸出，O1為輸出層輸出。輸入層節(jié)點與隱含層節(jié)點間的網絡連接權值為ωij；隱含層節(jié)點與輸出層節(jié)點間的網絡連接權值為Tli；輸出層節(jié)點l的期望輸出為t1。f(net)為傳遞函數。為此，其網絡連接權值的調整公式如下：
其中，η為學習速率(η>0)；k為訓練次數，α為平滑因子(0α1)，為隱層節(jié)點誤差。
2 BP神經網絡的混沌蟻群優(yōu)化過程
2.1基本蟻群算法
ACO的基本思路是：在算法的初始時刻，將一定數量的螞蟻隨機放在給定的N座城市上，并設此時各路徑上的信息素相等。螞蟻在運動過程中根據各條路徑上的信息素量獨立選擇下一城市。螞蟻系統(tǒng)使用的轉移規(guī)則是根據螞蟻在兩個城市之間的轉移概率來進行路徑選擇。在完成一次循環(huán)后，螞蟻在路徑上釋放一定量的信息素。完成一次循環(huán)所走過的路徑就是問題的一個解，當所有螞蟻都完成循環(huán)后，即可得到最優(yōu)解。
評論