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為輸入層節點輸出，yi為隱含層節點輸出，O1為輸出層輸出。輸入層節點與隱含層節點間的網絡連接權值為ωij；隱含層節點與輸出層節點間的網絡連接權值為Tli；輸出層節點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)，為隱層節點誤差。
2 BP神經網絡的混沌蟻群優化過程
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。螞蟻系統使用的轉移規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。在完成一次循環后，螞蟻在路徑上釋放一定量的信息素。完成一次循環所走過的路徑就是問題的一個解，當所有螞蟻都完成循環后，即可得到最優解。
評論