论文部分内容阅读
小波神经网络作为人工神经网络理论与小波理论的完美结合产物，兼备了神经网络的自学习功能、自适应性和鲁棒性及小波变换良好的时频局部特性，容错性与逼近能力都比较强，在处理不确定、不确知和复杂非线性问题上，小波神经网络比传统的前向神经网络更具优势，所以具有更加广阔的应用前景。本文主要研究了小波神经网络的学习算法和结构特性，设计出一个具有优良性能的控制器，并在仿真和实时控制实验中验证了其有效性。类似于遗传算法，粒子群优化算法也是一种以迭代为基础的优化工具，但是不同的是，它没有遗传算法的变异和交叉操作，而是粒子通过衡量自身和种群的飞行经验确定飞行方向来完成最优值的搜索任务。针对基本粒子群算法易陷入局部最优的特点，为了加强算法逃离陷入局部最优点的能力，本文引入遗传算法的交叉因子和个体平均极值，对基本粒子群算法进行了改进，在保持种群多样性的同时扩大粒子的认知范围，使得粒子能够获得更多的信息来调整自身状态。另外，为了权衡算法收敛精度和收敛速度两方面的搜索能力，又在算法中加入了权重因子。利用改进型粒子群算法优化小波神经网络控制器，选取最常用的Morlet小波作为小波基函数，设计小波神经网络控制器，并以二级倒立摆为控制对象，搭建仿真模块，在仿真实验和实时控制实验中有效地验证了控制器的稳定性和抗干扰能力。